論文の概要: Recovering Whole-Brain Causal Connectivity under Indirect Observation with Applications to Human EEG and fMRI

• arxiv url: http://arxiv.org/abs/2602.09034v1
• Date: Fri, 30 Jan 2026 01:26:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-15 14:54:53.70033
• Title: Recovering Whole-Brain Causal Connectivity under Indirect Observation with Applications to Human EEG and fMRI
• Title（参考訳）: 間接観察による全脳因果結合性の回復と脳波・fMRIへの応用
• Authors: Sangyoon Bae, Miruna Oprescu, David Keetae Park, Shinjae Yoo, Jiook Cha,
• Abstract要約: INCAMA(Indirect CAusal MAmba)は、間接的な観測から神経力学を分離するために測定物理を考慮に入れた潜在空間因果発見フレームワークである。 脳波とfMRIの大規模生体物理シミュレーションにおけるINCAMAの有効性を検証した。
• 参考スコア（独自算出の注目度）: 18.05064735256717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring directed connectivity from neuroimaging is an ill-posed inverse problem: recorded signals are distorted by hemodynamic filtering and volume conduction, which can mask true neural interactions. Many existing methods conflate these observation artifacts with genuine neural influence, risking spurious causal graphs driven by the measurement process. We introduce INCAMA (INdirect CAusal MAmba), a latent-space causal discovery framework that explicitly accounts for measurement physics to separate neural dynamics from indirect observations. INCAMA integrates a physics-aware inversion module with a nonstationarity-driven, delay-sensitive causal discovery model based on selective state-space sequences. Leveraging nonstationary mechanism shifts as soft interventions, we establish identifiability of delayed causal structure from indirect measurements and a stability bound that quantifies how inversion error affects graph recovery. We validate INCAMA on large-scale biophysical simulations across EEG and fMRI, where it significantly outperforms standard pipelines. We further demonstrate zero-shot generalization to real-world fMRI from the Human Connectome Project: without domain-specific fine-tuning, INCAMA recovers canonical visuo-motor pathways (e.g., $V1 \to V2$ and $M1 \leftrightarrow S1$) consistent with established neuroanatomy, supporting its use for whole-brain causal inference.
• Abstract（参考訳）: 記録された信号は血行動態のフィルタリングと体積伝導によって歪められ、真の神経相互作用を隠蔽することができる。 既存の多くの手法は、これらの観測成果物を真の神経の影響で説明し、測定プロセスによって引き起こされる突発的な因果グラフを危険にさらす。 Indirect CAusal MAmba(Indirect CAusal MAmba)は、間接的な観測から神経力学を分離するために、測定物理を明示的に説明する潜在空間因果発見フレームワークである。 INCAMAは、物理を意識したインバージョンモジュールと、選択状態空間列に基づく非定常性駆動、遅延感受性因果発見モデルを統合する。 非定常機構をソフトな介入として活用することにより、間接的な測定から遅延因果構造の識別可能性を確立し、逆誤差がグラフ回復に与える影響を定量化する安定性境界を確立する。 脳波とfMRIの大規模生体物理シミュレーションにおけるINCAMAの有効性を検証した。 我々はさらに、Human Connectome Projectから実世界のfMRIへのゼロショットの一般化を実証する:ドメイン固有の微調整なしで、INCAMAは、確立された神経解剖学的に整合した正準運動経路(例えば、$V1 \to V2$および$M1 \leftrightarrow S1$)を回復し、全脳因果推論の使用をサポートする。

関連論文リスト

• Differential Dynamic Causal Nets: Model Construction, Identification and Group Comparisons [7.711459588573238]
  本稿では脳波(EEG)データから直接微分因果ネットワークを構築するための新しい手法を提案する。 提案するネットワークは、相互作用するニューロン集団の平均的な振る舞いを記述した条件付き結合ニューロン回路に基づいている。 興奮抑制性介在ニューロンの不均衡とてんかん発作前後のてんかん性脳接続の変化によるネットワーク機能障害の証拠を示す。
  論文  参考訳（メタデータ） (2026-01-29T09:58:52Z)
• Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
  測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。 LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。 我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
  論文  参考訳（メタデータ） (2026-01-20T16:15:38Z)
• A Physics-Informed Loss Function for Boundary-Consistent and Robust Artery Segmentation in DSA Sequences [6.154694408048338]
  本稿では,予測と地道境界の相互作用をモデル化する新しいテクスタイトフィジックス・インフォームド・ロス(PIL)を提案する。 PILはクロスエントロピー、ディス、アクティブ・コンター、サーフェス・ロスといった従来の損失関数を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-25T17:08:14Z)
• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• CausalMamba: Scalable Conditional State Space Models for Neural Causal Inference [3.1641441457189496]
  本稿では,fMRIに基づく因果推論の基本的制約に対処するスケーラブルなフレームワークCausalMambaを紹介する。 提案手法は,この複雑な逆問題を,潜在神経活動の回復のためのBOLDデコンボリューションと因果グラフ推論の2段階に分解する。
  論文  参考訳（メタデータ） (2025-10-20T09:04:25Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• 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)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Neural State-Space Modeling with Latent Causal-Effect Disentanglement [3.5507435095193896]
  本稿では,信号強度が小さいが,信号強度が大きいその後のグローバルな活動の原因となる局所的活動の再構築手法について論じる。 私たちの中心的なイノベーションは、システムの潜伏状態が潜在的に隠れた内部介入の影響を受けやすいかを明確にモデル化し、切り離すことによって、これに取り組むことです。 介入は直接観察できないが、その後の観測結果から切り離す必要があるため、システムのネイティブな介入自由力学の知識を統合し、実際の介入自由力学と仮説的な介入自由力学の差異に責任を負うと仮定して隠れた介入を推測する。
  論文  参考訳（メタデータ） (2022-09-26T03:02:20Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)

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。