論文の概要: LERD: Latent Event-Relational Dynamics for Neurodegenerative Classification

• arxiv url: http://arxiv.org/abs/2602.18195v1
• Date: Fri, 20 Feb 2026 13:03:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.333568
• Title: LERD: Latent Event-Relational Dynamics for Neurodegenerative Classification
• Title（参考訳）: LERD:潜在事象関連ダイナミクスによる神経変性分類
• Authors: Hairong Chen, Yicheng Feng, Ziyu Jia, Samir Bhatt, Hengguan Huang,
• Abstract要約: アルツハイマー病(AD)は脳電気生理学的に変化し、多チャンネル脳波のダイナミクスを阻害する。 本稿では,多チャンネル脳波から直接潜在神経イベントとその関係構造を推定する終末電気生理学的神経力学系LERDを提案する。
• 参考スコア（独自算出の注目度）: 19.992574981355247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Alzheimer's disease (AD) alters brain electrophysiology and disrupts multichannel EEG dynamics, making accurate and clinically useful EEG-based diagnosis increasingly important for screening and disease monitoring. However, many existing approaches rely on black-box classifiers and do not explicitly model the underlying dynamics that generate observed signals. To address these limitations, we propose LERD, an end-to-end Bayesian electrophysiological neural dynamical system that infers latent neural events and their relational structure directly from multichannel EEG without event or interaction annotations. LERD combines a continuous-time event inference module with a stochastic event-generation process to capture flexible temporal patterns, while incorporating an electrophysiology-inspired dynamical prior to guide learning in a principled way. We further provide theoretical analysis that yields a tractable bound for training and stability guarantees for the inferred relational dynamics. Extensive experiments on synthetic benchmarks and two real-world AD EEG cohorts demonstrate that LERD consistently outperforms strong baselines and yields physiology-aligned latent summaries that help characterize group-level dynamical differences.
• Abstract（参考訳）: アルツハイマー病(AD)は脳電気生理学的に変化し、多チャンネル脳波のダイナミクスを阻害し、スクリーニングや疾患モニタリングにおいて正確で臨床的に有用な脳波ベースの診断がますます重要になる。 しかし、既存の多くのアプローチはブラックボックス分類器に依存しており、観測信号を生成する基礎となる力学を明示的にモデル化していない。 これらの制約に対処するため、LERDは、事象や相互作用アノテーションを使わずに、潜在神経イベントとその関係構造を直接マルチチャネル脳波から推定する、エンド・ツー・エンドのベイズ電気生理学的神経力学系である。 LERDは、連続時間イベント推論モジュールと確率的なイベント生成プロセスを組み合わせることで、フレキシブルな時間的パターンを捉えると同時に、電気生理学的にインスパイアされたダイナミクスを原則的に学習のガイドとして組み込む。 さらに、推論された関係力学のトレーニングと安定性を保証するためのトラクタブルバウンダリを得る理論的解析を行う。 合成ベンチマークと2つの実世界のAD EEGコホートに関する大規模な実験は、LERDが強いベースラインを一貫して上回り、グループレベルの動的差異を特徴づける生理学的に整列した潜在サマリーを生み出すことを示した。

関連論文リスト

• Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations [42.091774598477706]
  脳波に基づくアルツハイマー病検出のための従来のディープラーニングアプローチは、計算集約的で機械的に不透明である。 本稿では,データ駆動学習と生体物理シミュレーションを結びつけるニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:54:16Z)
• Adaptive Temporal Dynamics for Personalized Emotion Recognition: A Liquid Neural Network Approach [0.0]
  この研究は、脳波に基づく感情認識のための液体ニューラルネットワークの包括的な応用として、私たちの知る限り、最も優れたものである。 提案するフレームワークは,畳み込み特徴抽出,学習可能な時間定数による液体ニューラルネットワーク,注意誘導融合を組み合わせたものである。 PhyMERデータセット上で、7つの感情的なクラスで行われた被験者依存実験は95.45%の精度を達成し、これまでに報告された結果を上回った。
  論文  参考訳（メタデータ） (2026-01-28T12:14:45Z)
• 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)
• A Brain-Inspired Gating Mechanism Unlocks Robust Computation in Spiking Neural Networks [5.647576619206974]
  神経活動に応じて膜伝導が進化する新しいスパイクユニットであるDynamic Gated Neuron(DGN)を紹介する。 この結果から, 生物学的に妥当な動的ゲーティングが, 強靭なスパイクベースの計算の鍵となる機構であることを初めて強調した。
  論文  参考訳（メタデータ） (2025-09-03T13:00:49Z)
• 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)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  神経科学とAIの両方では、ニューロン間の'バインディング'が、ネットワークの深い層においてより抽象的な概念を表現するために表現を圧縮する、競争的な学習の形式につながることが知られている。 完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。 このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、定量化、推論など、幅広いタスクにわたるパフォーマンス改善を提供する。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• 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)
• Attention for Causal Relationship Discovery from Biological Neural Dynamics [9.097847269529202]
  本稿では,各ノードに複雑な非線形ダイナミクスを持つネットワークにおけるグランガー因果関係を学習するための変圧器モデルの可能性について検討する。 クロスアテンションモジュールはニューロン間の因果関係を効果的に把握し,最も一般的なグランガー因果関係解析法と同等かそれ以上の精度で検出することを示した。
  論文  参考訳（メタデータ） (2023-11-12T18:59:42Z)
• 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)

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。