論文の概要: PRISM: A 3D Probabilistic Neural Representation for Interpretable Shape Modeling

• arxiv url: http://arxiv.org/abs/2602.11467v1
• Date: Thu, 12 Feb 2026 00:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.593907
• Title: PRISM: A 3D Probabilistic Neural Representation for Interpretable Shape Modeling
• Title（参考訳）: PRISM: 解釈可能な形状モデリングのための3次元確率的ニューラル表現
• Abstract要約: PRISMは、暗黙の神経表現を不確実性を考慮した統計的形状解析で橋渡しする新しいフレームワークである。 重要な理論的貢献はクローズドフォームのフィッシャー情報計量であり、効率的で分析的に抽出可能な局所的時間的不確実性定量化を可能にする。
• 参考スコア（独自算出の注目度）: 9.456135223836181
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how anatomical shapes evolve in response to developmental covariates and quantifying their spatially varying uncertainties is critical in healthcare research. Existing approaches typically rely on global time-warping formulations that ignore spatially heterogeneous dynamics. We introduce PRISM, a novel framework that bridges implicit neural representations with uncertainty-aware statistical shape analysis. PRISM models the conditional distribution of shapes given covariates, providing spatially continuous estimates of both the population mean and covariate-dependent uncertainty at arbitrary locations. A key theoretical contribution is a closed-form Fisher Information metric that enables efficient, analytically tractable local temporal uncertainty quantification via automatic differentiation. Experiments on three synthetic datasets and one clinical dataset demonstrate PRISM's strong performance across diverse tasks within a unified framework, while providing interpretable and clinically meaningful uncertainty estimates.
• Abstract（参考訳）: 発達的共変に反応して解剖学的形状がどのように進化するかを理解し、空間的に変化する不確かさを定量化することは、医療研究において重要である。 既存のアプローチは通常、空間的に不均一なダイナミクスを無視するグローバルな時間ウォーピングの定式化に依存している。 不確実性を考慮した統計的形状解析で暗黙的な神経表現をブリッジする新しいフレームワークであるPRISMを紹介する。 PRISMは、与えられた共変量に対する形状の条件分布をモデル化し、任意の位置における集団平均と共変量依存の不確実性の両方を空間的に連続的に推定する。 重要な理論的貢献は、自動微分による効率的な局所的時間的不確実性定量化を可能にするクローズドフォームのフィッシャー情報計量である。 3つの合成データセットと1つの臨床データセットの実験は、PRISMが統合されたフレームワーク内の様々なタスクにまたがる強いパフォーマンスを示し、解釈可能で臨床的に有意義な不確実性推定を提供する。

関連論文リスト

• Learning Bidirectional Causal Interactions with Heteroscedastic Neural Networks [1.0356094515229846]
  本稿では,ヘテロセダスティックなニューラル同時方程式推定器であるSEM-DNNを提案する。 外部機器を使わずに相互構造相互作用を学習する。 シーレアルスキャナーデータへの応用は、同時期の価格-セールフィードバックを研究する方法を示している。
  論文  参考訳（メタデータ） (2026-07-24T13:53:58Z)
• LLM-Guided ODE Discovery and Parameter Inference from Small-Cohort Aggregate Data [3.6108652111867623]
  常微分方程式(ODE)による力学モデリングは、複素力学の解釈可能な記述を提供する。 稀な疾患では、モデルの構造とパラメータは一般的に不明であるが、個々のレベルのデータは少ない。 我々は、このギャップに対処するエンドツーエンドのフレームワークであるAgentODEを紹介します。
  論文  参考訳（メタデータ） (2026-07-01T10:17:46Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Uncertainty-Aware Foundation Models for Clinical Data [12.07343307130062]
  本稿では,各患者をポイント埋め込みではなく,有効な潜伏状態の分布として表現する不確実性認識基盤モデリングの枠組みを提案する。 我々は、この定式化をマルチモーダルエンコーダとスケーラブルな自己教師対象と統合し、再構成、コントラストアライメント、分散正規化を組み合わせた。
  論文  参考訳（メタデータ） (2026-04-05T16:44:13Z)
• Generative Modeling of Clinical Time Series via Latent Stochastic Differential Equations [0.5753241925582826]
  本稿では,臨床時系列を基礎となる制御力学系の離散時間部分観察とみなす生成的モデリングフレームワークを提案する。 我々のアプローチは、状態推定とパラメータ学習を行いながら、モード依存エミッションモデルを用いたニューラルSDEによる潜時ダイナミクスをモデル化する。 この定式化は自然に観察をサンプリングし、複雑な非線形相互作用を学び、疾患の進行と測定ノイズの相補性を捉える。
  論文  参考訳（メタデータ） (2025-11-20T14:50:49Z)
• Counterfactual Explanations in Medical Imaging: Exploring SPN-Guided Latent Space Manipulation [2.9810923705287524]
  医用画像解析において、深層学習モデルは顕著な性能を示した。 可変オートエンコーダ(VAE)のような深い生成モデルは、大きな生成能力を示す。 和積ネットワーク(SPN)のような確率モデルは、複雑な結合確率分布を効率的に表す。
  論文  参考訳（メタデータ） (2025-07-25T15:19:32Z)
• Nonparametric Factor Analysis and Beyond [14.232694150264628]
  非無視設定における潜伏変数を識別するための一般的なフレームワークを提案する。 生成モデルは,非無視ノイズの存在下においても,ある部分多様体不確定性まで同定可能であることを示す。 また、対応する推定手法を開発し、様々な合成および実世界の設定で検証した。
  論文  参考訳（メタデータ） (2025-03-21T05:45:03Z)
• LucidAtlas$: Learning Uncertainty-Aware, Covariate-Disentangled, Individualized Atlas Representations [30.072620549688953]
  空間的に異なる情報を表現できるアプローチであるtexttLucidAtlas$を開発した。 本研究は, 科学的発見の進展において, バイコンストラクション解釈モデルが重要な役割を担っていることを示すものである。
  論文  参考訳（メタデータ） (2025-02-12T14:36:25Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• From Images to Probabilistic Anatomical Shapes: A Deep Variational Bottleneck Approach [0.0]
  3次元医用画像から直接の統計的形状モデリング(SSM)は、病理の検出、疾患の診断、人口レベルの形態解析を行うための未利用のツールである。 本稿では,これらの仮定を緩和するために,変分情報ボトルネック理論に基づく基本的枠組みを提案する。 実験により,提案手法により精度が向上し,校正精度が向上することを確認した。
  論文  参考訳（メタデータ） (2022-05-13T19:39:08Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。