論文の概要: ODEBrain: Continuous-Time EEG Graph for Modeling Dynamic Brain Networks

• arxiv url: http://arxiv.org/abs/2602.23285v1
• Date: Thu, 26 Feb 2026 17:59:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.825263
• Title: ODEBrain: Continuous-Time EEG Graph for Modeling Dynamic Brain Networks
• Title（参考訳）: ODEBrain: 動的脳ネットワークをモデル化するための連続時間脳波グラフ
• Authors: Haohui Jia, Zheng Chen, Lingwei Zhu, Rikuto Kotoge, Jathurshan Pradeepkumar, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai, Takashi Matsubara,
• Abstract要約: ODEBRAINは、一般化と能力の強化によるEEGダイナミクスの予測において、既存の方法よりも大幅に改善することができる。 我々の設計は、潜伏表現が任意の時点における複雑な脳の状態の変動をキャプチャできることを保証する。
• 参考スコア（独自算出の注目度）: 33.66198565629555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling neural population dynamics is crucial for foundational neuroscientific research and various clinical applications. Conventional latent variable methods typically model continuous brain dynamics through discretizing time with recurrent architecture, which necessarily results in compounded cumulative prediction errors and failure of capturing instantaneous, nonlinear characteristics of EEGs. We propose ODEBRAIN, a Neural ODE latent dynamic forecasting framework to overcome these challenges by integrating spatio-temporal-frequency features into spectral graph nodes, followed by a Neural ODE modeling the continuous latent dynamics. Our design ensures that latent representations can capture stochastic variations of complex brain states at any given time point. Extensive experiments verify that ODEBRAIN can improve significantly over existing methods in forecasting EEG dynamics with enhanced robustness and generalization capabilities.
• Abstract（参考訳）: 神経集団動態のモデル化は基礎的な神経科学研究や様々な臨床応用に不可欠である。 従来の潜在変数法は、再帰的アーキテクチャによる離散化時間を通じて連続脳力学をモデル化するが、これは必ずしも複雑な累積予測誤差と脳波の瞬間的非線形特性の取得の失敗をもたらす。 本稿では、スペクトルグラフノードに時空間的特徴を統合することで、これらの課題を克服するためのニューラルODE潜時動的予測フレームワークODEBRAINを提案し、続いて連続潜時動態をモデル化するニューラルODEを提案する。 我々の設計により、潜伏表現は任意の時点における複雑な脳状態の確率的変動を捉えることができる。 拡張された堅牢性と一般化能力を持つ脳波力学の予測において、ODEBRAINは既存の手法よりも大幅に改善可能であることを検証する。

関連論文リスト

• EvoBrain: Dynamic Multi-Channel EEG Graph Modeling for Time-Evolving Brain Networks [14.033904968406086]
  本稿では,Laplacian Positionalによって強化されたGCNと2ストリームのMambaアーキテクチャを統合した新しい発作検出モデルであるEvoBrainを提案する。 本研究の貢献は,AUROCを23%,F1スコアを30%向上させる新鮮で効率的なモデルと,動的GNNベースラインとの比較,および,難易度早期発作予測タスクにおける本手法の広範な評価である。
  論文  参考訳（メタデータ） (2025-09-19T10:47:34Z)
• 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)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• 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)
• Expressive architectures enhance interpretability of dynamics-based neural population models [2.294014185517203]
  シミュレーションされたニューラルネットワークから潜在カオスを引き付ける際のシーケンシャルオートエンコーダ(SAE)の性能を評価する。 広帯域再帰型ニューラルネットワーク(RNN)を用いたSAEでは,真の潜在状態次元での正確な発射速度を推定できないことがわかった。
  論文  参考訳（メタデータ） (2022-12-07T16:44:26Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)

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。