論文の概要: Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases

• arxiv url: http://arxiv.org/abs/2603.20348v1
• Date: Fri, 20 Mar 2026 11:55:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.857715
• Title: Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases
• Title（参考訳）: 多視点脳ネットワーク基盤モデルに向けて:任意アトラス間のクロスビュー一貫性学習
• Authors: Jiaxing Xu, Jingying Ma, Xin Lin, Yuxiao Liu, Kai He, Qika Lin, Yiping Ke, Yang Li, Dinggang Shen, Mengling Feng,
• Abstract要約: MV-BrainFMは任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学ぶために設計された多視点脳ネットワーク基盤モデルである。 17のfMRIデータセットから20万名以上の被験者を対象に行った実験では、MV-BrainFMは既存の14の脳ネットワーク基盤モデルより一貫して優れていた。
• 参考スコア（独自算出の注目度）: 62.33465338932216
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Brain network analysis provides an interpretable framework for characterizing brain organization and has been widely used for neurological disorder identification. Recent advances in self-supervised learning have motivated the development of brain network foundation models. However, existing approaches are often limited by atlas dependency, insufficient exploitation of multiple network views, and weak incorporation of anatomical priors. In this work, we propose MV-BrainFM, a multi-view brain network foundation model designed to learn generalizable and scalable representations from brain networks constructed with arbitrary atlases. MV-BrainFM explicitly incorporates anatomical distance information into Transformer-based modeling to guide inter-regional interactions, and introduces an unsupervised cross-view consistency learning strategy to align representations from multiple atlases of the same subject in a shared latent space. By jointly enforcing within-view robustness and cross-view alignment during pretraining, the model effectively captures complementary information across heterogeneous network views while remaining atlas-aware. In addition, MV-BrainFM adopts a unified multi-view pretraining paradigm that enables simultaneous learning from multiple datasets and atlases, significantly improving computational efficiency compared to conventional sequential training strategies. The proposed framework also demonstrates strong scalability, consistently benefiting from increasing data diversity while maintaining stable performance across unseen atlas configurations. Extensive experiments on more than 20K subjects from 17 fMRI datasets show that MV-BrainFM consistently outperforms 14 existing brain network foundation models and task-specific baselines under both single-atlas and multi-atlas settings.
• Abstract（参考訳）: 脳ネットワーク分析は、脳組織を特徴づけるための解釈可能なフレームワークを提供し、神経疾患の同定に広く用いられている。 自己教師型学習の最近の進歩は、脳ネットワーク基盤モデルの開発を動機付けている。 しかし、既存のアプローチはアトラス依存、複数のネットワークビューの不十分な利用、解剖学的な事前の弱い取り込みによって制限されることが多い。 本研究では、任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学習するための多視点脳ネットワーク基盤モデルであるMV-BrainFMを提案する。 MV-BrainFMは、解剖学的距離情報をTransformerベースのモデリングに明示的に組み込んで、地域間相互作用をガイドし、同じ対象の複数のアトラスからの表現を共有潜在空間に整列させる教師なしのクロスビュー整合学習戦略を導入する。 事前トレーニング中に、視野内ロバスト性とクロスビューアライメントを共同で実施することにより、アトラスを意識しながら、異種ネットワークビュー間の補完情報を効果的にキャプチャする。 さらに、MV-BrainFMは、複数のデータセットとアトラスからの同時学習を可能にする統一されたマルチビュー事前学習パラダイムを採用し、従来の逐次トレーニング戦略と比較して計算効率を著しく向上させる。 提案されたフレームワークはまた、データ多様性の向上と、目に見えないアトラス構成間の安定したパフォーマンスの維持のメリットを一貫して生かして、強力なスケーラビリティを示す。 17のfMRIデータセットから得られた20万以上の被験者に対する大規模な実験によると、MV-BrainFMは、既存の14の脳ネットワーク基盤モデルとタスク固有のベースラインを、シングルアトラスとマルチアトラスの両方で一貫して上回っている。

関連論文リスト

• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• 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)
• Multi-View Incremental Learning with Structured Hebbian Plasticity for Enhanced Fusion Efficiency [13.512920774125776]
  MVILという名前のマルチビューインクリメンタルフレームワークは、シーケンシャルに到達したビューの微粒な融合をエミュレートすることを目的としている。 MVILは、構造的ヘビアン可塑性とシナプス分割学習の2つの基本モジュールがある。 6つのベンチマークデータセットの実験結果は、MVILの最先端手法に対する有効性を示している。
  論文  参考訳（メタデータ） (2024-12-17T11:10:46Z)
• BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals [11.030708270737964]
  本稿では,fMRI時系列データから直接表現を学習するBrain Masked Auto-Encoder(BrainMAE)を提案する。 BrainMAEは、4つの異なる下流タスクにおいて、確立されたベースラインメソッドをかなりのマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2024-06-24T19:16:24Z)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は、時間とともに脳コネクトームの認知的側面へとシフトしている。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、動的FCネットワークをまたいだリッチテンポラルパターンをキャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)

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。