論文の概要: SPD Learn: A Geometric Deep Learning Python Library for Neural Decoding Through Trivialization

• arxiv url: http://arxiv.org/abs/2602.22895v1
• Date: Thu, 26 Feb 2026 11:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.664432
• Title: SPD Learn: A Geometric Deep Learning Python Library for Neural Decoding Through Trivialization
• Title（参考訳）: SPD Learn: トリビライゼーションによるニューラルデコーディングのための幾何学的ディープラーニングPythonライブラリ
• Authors: Bruno Aristimunha, Ce Ju, Antoine Collas, Florent Bouchard, Ammar Mian, Bertrand Thirion, Sylvain Chevallier, Reinmar Kobler,
• Abstract要約: SPD Learnは、SPD行列を用いた幾何学的深層学習のための統一的でモジュール化されたPythonパッケージである。 SPD Learnは、数値的に安定なスペクトル演算子を含むコアSPD演算子とニューラルネットワーク層を提供し、自明化に基づくパラメータ化を通じてStiefel/SPD制約を強制する。 Packageはまた、SPDNetベースのモデルと、広く使われている脳コンピュータインタフェース/ニューロイメージングツールキットと現代の機械学習ライブラリを使ったインタフェースのリファレンス実装も提供している。
• 参考スコア（独自算出の注目度）: 32.894487679020735
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Implementations of symmetric positive definite (SPD) matrix-based neural networks for neural decoding remain fragmented across research codebases and Python packages. Existing implementations often employ ad hoc handling of manifold constraints and non-unified training setups, which hinders reproducibility and integration into modern deep-learning workflows. To address this gap, we introduce SPD Learn, a unified and modular Python package for geometric deep learning with SPD matrices. SPD Learn provides core SPD operators and neural-network layers, including numerically stable spectral operators, and enforces Stiefel/SPD constraints via trivialization-based parameterizations. This design enables standard backpropagation and optimization in unconstrained Euclidean spaces while producing manifold-constrained parameters by construction. The package also offers reference implementations of representative SPDNet-based models and interfaces with widely used brain computer interface/neuroimaging toolkits and modern machine-learning libraries (e.g., MOABB, Braindecode, Nilearn, and SKADA), facilitating reproducible benchmarking and practical deployment.
• Abstract（参考訳）: ニューラルネットワークのための対称正定値(SPD)行列ベースのニューラルネットワークの実装は、研究コードベースとPythonパッケージ間で断片化されている。 既存の実装では、多様体制約のアドホック処理や、非統一的なトレーニング設定がよく使われており、現代のディープラーニングワークフローへの再現性と統合を妨げている。 このギャップに対処するために、SPD行列を用いた幾何学的深層学習のための統一的でモジュール化されたPythonパッケージであるSPD Learnを紹介する。 SPD Learnは、数値的に安定なスペクトル演算子を含むコアSPD演算子とニューラルネットワーク層を提供し、自明化に基づくパラメータ化を通じてStiefel/SPD制約を強制する。 この設計により、非制約ユークリッド空間における標準バックプロパゲーションと最適化が可能であり、構成により多様体制約パラメータを生成できる。 このパッケージはまた、広く使われている脳コンピュータインタフェース/ニューロイメージングツールキットと現代の機械学習ライブラリ(MOABB、Braindecode、Nilearn、SKADA)を備えたSPDNetベースのモデルとインタフェースのリファレンス実装を提供し、再現可能なベンチマークと実用的なデプロイを容易にする。

関連論文リスト

• SPDEBench: An Extensive Benchmark for Learning Regular and Singular Stochastic PDEs [8.431832738216055]
  1次元あるいは2次元の時空間方程式上でのSPDEの物理的意義を解くために設計されたSPDEBenchを紹介する。 再正規化プロセスに基づく新しいデータセットが構築され、今までで最高の結果を得る新しいMLモデルが提案されている。 結果は、FNO、NSPDE、DLR-Netなど、従来の数値解法とMLベースのモデルでベンチマークされる。
  論文  参考訳（メタデータ） (2025-05-24T05:15:45Z)
• Simulation-based inference with the Python Package sbijax [0.7499722271664147]
  sbijaxは、ニューラルネットワークベースの推論に様々な最先端のメソッドを実装するPythonパッケージである。 このパッケージはベイズ近似計算の機能を提供し、モデル診断を計算し、自動的に要約統計を推定する。
  論文  参考訳（メタデータ） (2024-09-28T18:47:13Z)
• Schur's Positive-Definite Network: Deep Learning in the SPD cone with structure [9.844808457315553]
  本研究では,SPD出力を保証する新しい学習モジュールであるSpadNetを紹介する。 特に、SPDとスパース行列を共同で学習するという課題を解決する。 本研究では,これらのアプリケーションに対するSpadNetレイヤの汎用性と妥当性について述べる。
  論文  参考訳（メタデータ） (2024-06-13T11:56:20Z)
• Riemannian Multinomial Logistics Regression for SPD Neural Networks [60.11063972538648]
  本稿では,Symmetric Positive Definite (SPD) 行列のための新しいタイプのディープニューラルネットワークを提案する。 我々のフレームワークは、既存のSPDネットワークで最も人気のあるLogEig分類器について、斬新な説明を提供する。 本手法の有効性は,レーダ認識,人行動認識,脳波分類(EEG)の3つの応用で実証された。
  論文  参考訳（メタデータ） (2023-05-18T20:12:22Z)
• Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
  広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。 実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-26T18:31:52Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• A Fortran-Keras Deep Learning Bridge for Scientific Computing [6.768544973019004]
  ソフトウェアライブラリであるFortran-Keras Bridge(FKB)を導入する。 本稿は、FKBが提供するいくつかのユニークな機能、例えば、カスタマイズ可能なレイヤ、損失関数、ネットワークアンサンブルについて述べる。 本稿は,地球規模の気候シミュレーションに対する実験的アプローチの堅牢性に関するオープンな疑問にFKBを適用したケーススタディで締めくくっている。
  論文  参考訳（メタデータ） (2020-04-14T15:10:09Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。