論文の概要: Topology Matters: A Cautionary Case Study of Graph SSL on Neuro-Inspired Benchmarks

• arxiv url: http://arxiv.org/abs/2602.03217v1
• Date: Tue, 03 Feb 2026 07:35:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.314909
• Title: Topology Matters: A Cautionary Case Study of Graph SSL on Neuro-Inspired Benchmarks
• Title（参考訳）: Topology Matters: 神経誘発ベンチマークにおけるグラフSSLのケーススタディ
• Authors: May Kristine Jonson Carlon, Su Myat Noe, Haojiong Wang, Yasuo Kuniyoshi,
• Abstract要約: 本稿では,ノード,エッジ,グラフレベルの埋め込みを共同で学習する階層型自己教師型学習(SSL)フレームワークを提案する。 我々はコネクトームのトポロジカルな性質を模倣した制御可能な合成ベンチマークを構築した。 この結果から,コネクトームのようなデータに汎用グラフSSLを適用する際の根本的な落とし穴が明らかとなった。
• 参考スコア（独自算出の注目度）: 3.9042998611300455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how local interactions give rise to global brain organization requires models that can represent information across multiple scales. We introduce a hierarchical self-supervised learning (SSL) framework that jointly learns node-, edge-, and graph-level embeddings, inspired by multimodal neuroimaging. We construct a controllable synthetic benchmark mimicking the topological properties of connectomes. Our four-stage evaluation protocol reveals a critical failure: the invariance-based SSL model is fundamentally misaligned with the benchmark's topological properties and is catastrophically outperformed by classical, topology-aware heuristics. Ablations confirm an objective mismatch: SSL objectives designed to be invariant to topological perturbations learn to ignore the very community structure that classical methods exploit. Our results expose a fundamental pitfall in applying generic graph SSL to connectome-like data. We present this framework as a cautionary case study, highlighting the need for new, topology-aware SSL objectives for neuro-AI research that explicitly reward the preservation of structure (e.g., modularity or motifs).
• Abstract（参考訳）: 局所的な相互作用がどのようにグローバルな脳組織を生じさせるかを理解するには、複数のスケールで情報を表現できるモデルが必要である。 マルチモーダル・ニューロイメージングにインスパイアされた,ノード,エッジ,グラフレベルの埋め込みを共同で学習する階層型自己教師型学習(SSL)フレームワークを導入する。 我々はコネクトームのトポロジカルな性質を模倣した制御可能な合成ベンチマークを構築した。 不変ベースのSSLモデルは、ベンチマークのトポロジ特性と根本的に不一致であり、古典的、トポロジを意識したヒューリスティックスによって破滅的に優れています。 SSLの目的は、トポロジ的摂動に不変であるように設計されており、古典的手法が悪用するコミュニティ構造を無視することを学ぶ。 この結果から,コネクトームのようなデータに汎用グラフSSLを適用する際の根本的な落とし穴が明らかとなった。 我々は,この枠組みを,構造(モジュール性,モチーフなど)の保存を明示的に報いるニューロAI研究において,新たなトポロジを意識したSSL目標の必要性を強調した,注意深いケーススタディとして提示する。

関連論文リスト

• Bridging Brain with Foundation Models through Self-Supervised Learning [5.0273296425814635]
  ファンデーションモデル(FM)は、人工知能の能力を再定義した。 これらの進歩は脳信号解析の転換の機会となる。 本調査は基礎モデルを用いて脳波の新興分野を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-06-19T04:03:58Z)
• The Shape of Adversarial Influence: Characterizing LLM Latent Spaces with Persistent Homology [4.280045926995889]
  本研究では,大規模言語モデルの内部表現空間に対して,逆入力が体系的にどう影響するかに着目した。 アクティベーションの形状と神経情報の流れを定量化することにより、アーキテクチャに依存しない枠組みは、表現的変化の基本的な不変性を明らかにする。
  論文  参考訳（メタデータ） (2025-05-26T18:31:49Z)
• Graph Self-Supervised Learning with Learnable Structural and Positional Encodings [39.20899720477907]
  我々は、$k$-hopメッセージパッシングスキームを統合したGNNフレームワークであるemphGenHopNetを紹介する。 また,学習過程全体を通してトポロジ的情報を組み込んだ構造的および位置対応GSSLフレームワークを提案する。 我々の研究は、類似の局所構造を持つグラフと異なるグローバルトポロジを持つグラフを区別するGSSLの能力を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-02-22T14:10:06Z)
• Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
  Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。 既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
  論文  参考訳（メタデータ） (2025-02-15T19:10:35Z)
• Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
  トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。 Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。 本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2024-12-29T22:41:33Z)
• FSAR: Federated Skeleton-based Action Recognition with Adaptive Topology Structure and Knowledge Distillation [23.0771949978506]
  既存の骨格に基づく行動認識手法は、典型的には集中学習パラダイムに従っており、人間関連のビデオを公開する際にプライバシー上の懸念を生じさせる。 我々は,局所的な機密データにアクセスせずにグローバルに一般化されたモデルを構築することのできる,新しいフェデレート・骨格に基づく行動認識(FSAR)パラダイムを導入する。
  論文  参考訳（メタデータ） (2023-06-19T16:18:14Z)
• The Geometry of Self-supervised Learning Models and its Impact on Transfer Learning [62.601681746034956]
  自己教師型学習(SSL)はコンピュータビジョンにおいて望ましいパラダイムとして登場した。 本稿では,各特徴空間内の局所的近傍を用いて異なるSSLモデルを分析するためのデータ駆動幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2022-09-18T18:15:38Z)
• Position-aware Structure Learning for Graph Topology-imbalance by Relieving Under-reaching and Over-squashing [67.83086131278904]
  トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。 PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。 私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
  論文  参考訳（メタデータ） (2022-08-17T14:04:21Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。