論文の概要: Uncovering Latent Communication Patterns in Brain Networks via Adaptive Flow Routing

• arxiv url: http://arxiv.org/abs/2602.00561v1
• Date: Sat, 31 Jan 2026 06:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.256571
• Title: Uncovering Latent Communication Patterns in Brain Networks via Adaptive Flow Routing
• Title（参考訳）: 適応フロールーティングによる脳ネットワークにおける潜在的コミュニケーションパターンの解明
• Authors: Tianhao Huang, Guanghui Min, Zhenyu Lei, Aiying Zhang, Chen Chen,
• Abstract要約: 神経通信力学のレンズを通して多モード融合を定式化する。 AFR-Netは、構造的制約(SC)が機能的通信パターン(FC)を引き起こす方法をモデル化する物理インフォームドフレームワークである。 実験により、AFR-Netは最先端のベースラインを大きく上回っていることが示された。
• 参考スコア（独自算出の注目度）: 6.266036335881278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unraveling how macroscopic cognitive phenotypes emerge from microscopic neuronal connectivity remains one of the core pursuits of neuroscience. To this end, researchers typically leverage multi-modal information from structural connectivity (SC) and functional connectivity (FC) to complete downstream tasks. Recent methodologies explore the intricate coupling mechanisms between SC and FC, attempting to fuse their representations at the regional level. However, lacking fundamental neuroscientific insight, these approaches fail to uncover the latent interactions between neural regions underlying these connectomes, and thus cannot explain why SC and FC exhibit dynamic states of both coupling and heterogeneity. In this paper, we formulate multi-modal fusion through the lens of neural communication dynamics and propose the Adaptive Flow Routing Network (AFR-Net), a physics-informed framework that models how structural constraints (SC) give rise to functional communication patterns (FC), enabling interpretable discovery of critical neural pathways. Extensive experiments demonstrate that AFR-Net significantly outperforms state-of-the-art baselines. The code is available at https://anonymous.4open.science/r/DIAL-F0D1.
• Abstract（参考訳）: 微視的神経接続からマクロ的な認知表現型がどのように出現するかを明らかにすることは、神経科学の中核的な研究の1つとなっている。 この目的のために、研究者は通常、下流タスクを完了させるために、構造接続(SC)と機能接続(FC)からのマルチモーダル情報を利用する。 近年の手法ではSCとFCの複雑なカップリング機構を探求し、それらの表現を地域レベルで融合させようとしている。 しかしながら、基本的な神経科学的知見が欠如しているため、これらのアプローチはこれらのコネクトームの根底にある神経領域間の潜伏相互作用を明らかにすることができず、なぜSCとFCが結合性と不均一性の両方の動的状態を示すのかを説明できない。 本稿では、ニューラルネットワーク力学のレンズを通して多モード融合を定式化し、構造的制約(SC)が機能的通信パターン(FC)をいかに生み出すかをモデル化し、重要な神経経路の解釈可能な発見を可能にする物理インフォームドフレームワークであるAdaptive Flow Routing Network (AFR-Net)を提案する。 大規模な実験により、AFR-Netは最先端のベースラインを大幅に上回っていることが示された。 コードはhttps://anonymous.4open.science/r/DIAL-F0D1で公開されている。

関連論文リスト

• Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
  本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。 本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。 NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
  論文  参考訳（メタデータ） (2025-10-19T14:23:35Z)
• SFC-GAN: A Generative Adversarial Network for Brain Functional and Structural Connectome Translation [11.070185680800071]
  構造Functional Connectivity GAN(SFC-GAN)は、脳コネクトーム間の双方向翻訳のための新しいフレームワークである。 これらのコネクトームのトポロジ的整合性を維持するため、我々は、グローバルなコネクトームパターンとローカルなコネクトームパターンの両方を捉える際に、モデルを導く構造保存損失を用いる。 本フレームワークは,SCとFC間の翻訳において優れた性能を示し,類似性およびグラフ特性評価においてベースラインモデルより優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-13T04:30:41Z)
• NeuroPath: A Neural Pathway Transformer for Joining the Dots of Human Connectomes [4.362614418491178]
  本稿では, FCのユビキタスインスタンスが, SCによって物理的に配線された神経経路(デトゥール)によってどのようにサポートされているかを明らかにするために, トポロジカルデトゥールの概念を導入する。 機械学習のclich'eでは、SC-FCカップリングの基礎となるマルチホップデトゥール経路により、新しいマルチヘッド自己保持機構を考案することができる。 バイオインスパイアされたニューロパス(NeuroPath)と呼ばれる深層モデルを提案し,これまでにない量のニューロイメージから有意な結合性特徴表現を求める。
  論文  参考訳（メタデータ） (2024-09-26T03:40:12Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural Networks [69.42260428921436]
  クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。 我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。 CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:13:36Z)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)
• Learning Interpretable Models for Coupled Networks Under Domain Constraints [8.308385006727702]
  脳ネットワークの構造的エッジと機能的エッジの相互作用に着目して,結合ネットワークの概念を検討する。 相互作用を推定しながらノイズ項にハードネットワークの制約を課す新しい定式化を提案する。 ヒトコネクトームプロジェクトから得られたマルチシェル拡散およびタスク誘発fMRIデータセットの手法を検証する。
  論文  参考訳（メタデータ） (2021-04-19T06:23:31Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。