Fugu-MT 論文翻訳(概要): Taming Epilepsy: Mean Field Control of Whole-Brain Dynamics

論文の概要: Taming Epilepsy: Mean Field Control of Whole-Brain Dynamics

arxiv url: http://arxiv.org/abs/2603.18035v1
Date: Wed, 11 Mar 2026 14:38:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-20 17:19:05.705032
Title: Taming Epilepsy: Mean Field Control of Whole-Brain Dynamics
Title（参考訳）: テーミングてんかん:全脳ダイナミクスにおける平均磁場制御
Authors: Ming Li, Ting Gao, Jingqiao Dua,
Abstract要約: てんかん発作時の高次元神経力学の制御は依然として重要な課題である。 GK-MFG(Graph-Regularized Koopman Mean-Field Game)という新しいフレームワークを提案する。エレクトロ脳波(EEG)のダイナミクスを線形潜在空間に埋め込み、ラプラシアン制約を課すことにより、ロバストな発作抑制を実現する。
参考スコア（独自算出の注目度）: 4.8539809887204735
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Controlling the high-dimensional neural dynamics during epileptic seizures remains a significant challenge due to the nonlinear characteristics and complex connectivity of the brain. In this paper, we propose a novel framework, namely Graph-Regularized Koopman Mean-Field Game (GK-MFG), which integrates Reservoir Computing (RC) for Koopman operator approximation with Alternating Population and Agent Control Network (APAC-Net) for solving distributional control problems. By embedding Electroencephalogram (EEG) dynamics into a linear latent space and imposing graph Laplacian constraints derived from the Phase Locking Value (PLV), our method achieves robust seizure suppression while respecting the functional topological structure of the brain.
Abstract（参考訳）: てんかん発作時の高次元神経力学の制御は、脳の非線形特性と複雑な接続性のために重要な課題である。本稿では,分散制御問題の解法として,グラフ正規化Koopman Mean-Field Game (GK-MFG) という新しいフレームワークを提案し,このフレームワークはKoopman演算子近似のためのReservoir Computing (RC) とAPAC-Net(Alternating Population and Agent Control Network) を統合している。脳波(EEG)動態を線形潜伏空間に埋め込むことと、位相ロック値(PLV)から導かれるラプラシアン制約を付与することにより、脳の機能的トポロジカル構造を尊重しながら頑健な発作抑制を実現する。

関連論文リスト

Non-Invasive Reconstruction of Intracranial EEG Across the Deep Temporal Lobe from Scalp EEG based on Conditional Normalizing Flow [17.36783858767335]
非侵襲性頭皮脳波(sEEG)は神経科学および臨床診断に重要である。 NeuroFlowNetは、sEEG信号を用いて、深部側頭葉領域全体から初めてiEEG信号の再構成に寄与する、新しいクロスモーダルな生成フレームワークである。
論文参考訳（メタデータ） (2026-02-27T05:54:48Z)
Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks for Explainable Depression Identification [5.067010036621563]
本稿では,神経科学領域の知識を深層学習にブリッジする新しいフレームワークであるNH-GCAT(Neurocircuitry-Inspired Hierarchical Graph Causal Attention Networks)を紹介する。提案手法では, 局所脳の局所レベルにおいて, 時間的血液酸素濃度依存性(BOLD)のダイナミックスと機能的接続パターンを融合した残差ゲート融合モジュールを設計し, 局所的うつ病関連低周波神経振動を捕捉する手法, マルチリージョン回路レベルでは, 確立されたうつ病神経回路網の組織に従って局所ノード表現を集約する階層回路符号化方式を提案する。
論文参考訳（メタデータ） (2025-11-18T16:50:04Z)
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)
Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition [52.59263087086756]
深層ニューラルネットワーク(SNN)のトレーニングは、バッチ正規化のような明示的な正規化スキームに依存している。本研究では,皮質回路にインスパイアされた側方抑制を取り入れた正規化自由学習フレームワークを提案する。本稿では,生物リアリズムを持つ深層SNNの安定的学習を可能にするとともに,明示的な正規化に頼らずに競争性能を達成できることを述べる。
論文参考訳（メタデータ） (2025-09-27T11:11:30Z)
Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis [12.899767824635433]
双曲幾何学に基づく幾何学的深層学習フレームワークBrain-HGCNを提案する。精神疾患分類のための2つの大規模fMRIデータセットの実験は、我々のアプローチが最先端のユークリッドベースラインを大きく上回っていることを示している。この研究は、fMRI分析のための新しい幾何学的深層学習パラダイムを開拓し、計算心理学の分野における双曲型GNNの潜在可能性を強調した。
論文参考訳（メタデータ） (2025-09-18T13:55:02Z)
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)
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)
Learning Control Policies of Hodgkin-Huxley Neuronal Dynamics [1.629803445577911]
ニューラルネットワークを用いてオフラインで値関数を近似し、フィードバックフォームを介してリアルタイムで制御(刺激)を生成する。数値実験では, 分布外サンプルに対するアプローチの精度と, 系の緩やかな衝撃や乱れに対する頑健さが示されている。
論文参考訳（メタデータ） (2023-11-13T18:53:50Z)
Neuromorphic Control using Input-Weighted Threshold Adaptation [13.237124392668573]
比例積分微分(PID)コントローラのような基本的な低レベルコントローラでさえ複製することは依然として困難である。本稿では,学習中に比例経路,積分経路,微分経路を組み込んだニューロモルフィック制御器を提案する。本研究では,外乱の存在下での飛行によるバイオインスパイアされたアルゴリズムの安定性を実証する。
論文参考訳（メタデータ） (2023-04-18T07:21:24Z)
An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。