Fugu-MT 論文翻訳(概要): Supervised Deep Multimodal Matrix Factorization for Interpretable Brain Network Analysis

論文の概要: Supervised Deep Multimodal Matrix Factorization for Interpretable Brain Network Analysis

arxiv url: http://arxiv.org/abs/2605.13312v1
Date: Wed, 13 May 2026 10:26:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-14 23:30:27.981691
Title: Supervised Deep Multimodal Matrix Factorization for Interpretable Brain Network Analysis
Title（参考訳）: 解釈可能な脳ネットワーク解析のためのDeep Multimodal Matrix Factorization
Authors: Amjad Seyedi, Lifang He, Songlin Zhao, Akwum Onwunta, Nicolas Gillis,
Abstract要約: 統合的脳ネットワーク解析のための解釈可能なフレームワークである Supervised Deep Multimodal Matrix Factorization (SD3MF) を提案する。マルチモーダルコネクトームデータセットの実験では、SD3MFはCNNやGNNなど、強力なディープラーニングベースラインを一貫して上回っている。
参考スコア（独自算出の注目度）: 14.927207110150006
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present Supervised Deep Multimodal Matrix Factorization (SD3MF), an interpretable framework for integrative brain network analysis that generalizes Symmetric Nonnegative Matrix Tri-Factorization (SNMTF) from unsupervised single-graph clustering to supervised prediction over populations of multimodal graphs. SD3MF learns deep hierarchical factorizations for each modality together with a shared latent representation that aligns subjects across views. An encoder-decoder formulation jointly optimizes graph reconstruction and supervised prediction, while adaptive weights enable data-driven multimodal fusion. By representing each subject through community-level interaction matrices, the model yields interpretable and discriminative features. Experiments on multimodal connectome datasets show that SD3MF consistently outperforms strong deep learning baselines such as CNNs and GNNs, while enabling biologically interpretable insights. Code for reproducibility is available at: https://github.com/amjadseyedi/SD3MF.
Abstract（参考訳）: 我々は,非教師付き単一グラフクラスタリングから,マルチモーダルグラフの個体群に対する教師付き予測を一般化する,統合的脳ネットワーク解析のための解釈可能なフレームワークである Supervised Deep Multimodal Matrix Factorization (SD3MF) を提案する。 SD3MFは、各モダリティの深い階層的分解と、ビューにまたがる被写体を協調する共有潜在表現を学習する。エンコーダ・デコーダの定式化はグラフ再構成と教師付き予測を共同で最適化し、適応重み付けはデータ駆動型マルチモーダル融合を可能にする。各主題をコミュニティレベルの相互作用行列で表現することで、モデルは解釈可能かつ差別的特徴をもたらす。マルチモーダルコネクトームデータセットの実験では、SD3MFはCNNやGNNなどの強力なディープラーニングベースラインを一貫して上回り、生物学的に解釈可能な洞察を可能にしている。再現性に関するコードは、https://github.com/amjadseyedi/SD3MF.comで公開されている。

関連論文リスト

Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases [62.33465338932216]
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。
論文参考訳（メタデータ） (2026-03-20T11:55:00Z)
Modality as Heterogeneity: Node Splitting and Graph Rewiring for Multimodal Graph Learning [10.65673380743972]
本稿では,ノード分割とグラフ交換機構を統合したマルチモーダルグラフ学習フレームワークNSG(Node Splitting Graph)-MoEを提案する。各ノードをモダリティ固有のコンポーネントに明示的に分解し、不均一なメッセージフローを処理するためにリレーションアウェアの専門家を割り当てる。 3つのマルチモーダルベンチマークの実験は、NSG-MoEが強いベースラインを一貫して超えることを示した。
論文参考訳（メタデータ） (2026-01-20T13:38:50Z)
Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
実世界のマルチビューデータセットは、しばしば不均一で不完全である。本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
論文参考訳（メタデータ） (2025-03-06T07:01:08Z)
Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文参考訳（メタデータ） (2023-03-29T14:54:19Z)
Multi-way Clustering and Discordance Analysis through Deep Collective Matrix Tri-Factorization [9.283501363468728]
我々は、ニューラルネットワークによる教師なし学習の最先端を推し進め、異種多型マルチモーダル関係データを解析する。我々は,任意の行列集合の集合行列三要素化のための最初のニューラル手法を設計し,全ての構成要素のスペクトルクラスタリングを行い,クラスタアソシエーションを学習する。本稿では,知識ベースの品質評価と表現学習の改善におけるその有用性について述べる。
論文参考訳（メタデータ） (2021-09-27T16:24:23Z)
Multiplex Graph Networks for Multimodal Brain Network Analysis [30.195666008281915]
我々は,マルチモーダル脳ネットワーク解析のための簡易かつ効果的な多重グラフ畳み込みネットワーク(GCN)モデルMGNetを提案する。現実の2つの挑戦的データセット(HIVと双極性障害)の分類タスクを行う。
論文参考訳（メタデータ） (2021-07-31T06:01:29Z)
Ensemble manifold based regularized multi-modal graph convolutional network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文参考訳（メタデータ） (2021-01-20T20:53:07Z)
Self-Supervised Multimodal Domino: in Search of Biomarkers for Alzheimer's Disease [19.86082635340699]
自己監督型表現学習アルゴリズムを編成する合理的な方法の分類法を提案する。まず,おもちゃのマルチモーダルMNISTデータセットのモデルを評価し,アルツハイマー病患者を用いたマルチモーダル・ニューロイメージングデータセットに適用した。提案手法は,従来の自己教師付きエンコーダデコーダ法よりも優れていた。
論文参考訳（メタデータ） (2020-12-25T20:28:13Z)
A Novel Graph-based Multi-modal Fusion Encoder for Neural Machine Translation [131.33610549540043]
NMTのための新しいグラフベースのマルチモーダル核融合エンコーダを提案する。まず、統合マルチモーダルグラフを用いて、入力文と画像を表す。次に、複数のグラフベースのマルチモーダル融合層を積み重ねて、ノード表現を学習するためのセマンティックな相互作用を反復的に実行する。
論文参考訳（メタデータ） (2020-07-17T04:06:09Z)
Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文参考訳（メタデータ） (2020-03-10T03:10:41Z)
Variational Inference for Deep Probabilistic Canonical Correlation Analysis [49.36636239154184]
線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。任意の数のビューを持つモデルへの一般化も提案されている。
論文参考訳（メタデータ） (2020-03-09T17:51:15Z)

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。