論文の概要: Network-Aware Bilinear Tokenization for Brain Functional Connectivity Representation Learning

• arxiv url: http://arxiv.org/abs/2605.14048v3
• Date: Tue, 19 May 2026 14:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.348797
• Title: Network-Aware Bilinear Tokenization for Brain Functional Connectivity Representation Learning
• Title（参考訳）: 脳機能結合表現学習のためのネットワーク対応バイリニアトークン化
• Authors: Leo Milecki, Qingyu Hu, Bahram Jafrasteh, Mert R. Sabuncu, Qingyu Zhao,
• Abstract要約: 我々は,脳機能的接続トークン化を再定義する自己教師型学習フレームワークであるNERVEを紹介する。 画像ベースのMAEとは異なり、ネットワークペアによって定義されたFCパッチは、サイズが不均一であり、異なる機能的役割に対応する。 NERVEは、新しく構造化された双線形因子化によってFCパッチを埋め込む。
• 参考スコア（独自算出の注目度）: 6.232102297445596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Masked autoencoders (MAEs) have recently shown promise for self-supervised representation learning of resting-state brain functional connectivity (FC). However, a fundamental question remains unresolved: how should FC matrices be tokenized to align with the intrinsic modular organization of large-scale brain networks? Existing approaches typically adopt region-centric or graph-based schemes that treat FC as structurally homogeneous elements and overlook the large-scale network brain organization. We introduce NERVE (Network-Aware Representations of Brain Functional Connectivity via Bilinear Tokenization), a self-supervised learning framework that redefines FC tokenization by partitioning FC matrices into patches of intra- and inter-network connectivity blocks. Unlike image-based MAE, where fixed-size patches share a common tokenizer, FC patches defined by network pairs are heterogeneous in size and correspond to distinct functional roles. To resolve this problem, NERVE embeds FC patches through a novel structured bilinear factorization. This formulation preserves network identity and reduces parameter complexity from quadratic to linear scaling in the number of networks. We evaluate NERVE across three large-scale developmental cohorts (ABCD, PNC, and CCNP) for behavior and psychopathology prediction. Compared to structurally agnostic MAE variants and graph-based self-supervised baselines, the proposed network-aware formulation yields more stable and transferable representations, particularly in cross-cohort evaluation. Ablation studies confirm that the proposed bilinear network embedding and anatomically grounded parcellation are critical for performance. These findings highlight the importance of incorporating domain-specific structural priors into self-supervised learning for functional connectomics. Code is available at: https://github.com/leomlck/NERVE.
• Abstract（参考訳）: マスク付きオートエンコーダ(MAE)は、最近、静止状態脳機能接続(FC)の自己教師型表現学習を約束している。 しかし、根本的な問題は未解決のままである:大規模脳ネットワークの本質的なモジュラー構造と整合するために、FC行列をどのようにトークン化すべきか? 既存のアプローチでは、FCを構造的に均質な要素として扱う領域中心またはグラフベースのスキームを採用し、大規模なネットワーク脳組織を見落としているのが一般的である。 NERVE(Network-Aware Representations of Brain Functional Connectivity via Bilinear Tokenization)は、FC行列をネットワーク内およびネットワーク間接続ブロックのパッチに分割することで、FCトークン化を再定義する自己教師型学習フレームワークである。 固定サイズのパッチが共通トークン化器を共有する画像ベースMAEとは異なり、ネットワークペアによって定義されたFCパッチは、サイズが不均一であり、異なる機能的役割に対応する。 この問題を解決するため、NERVEは新しく構造化された双線形因子化を通じてFCパッチを埋め込む。 この定式化はネットワークのアイデンティティを保ち、ネットワーク数におけるパラメータの複雑さを2次から線形スケーリングに還元する。 NERVEを3つの大規模発達コホート(ABCD, PNC, CCNP)で評価し, 行動予測と心理病理学的予測を行った。 構造的に非依存な MAE 変種やグラフベースの自己教師付きベースラインと比較して,提案したネットワーク認識の定式化は,特にクロスコホート評価において,より安定かつ伝達可能な表現をもたらす。 アブレーション研究は、提案した双線形ネットワーク埋め込みと解剖学的基盤解析が性能に重要であることを証明している。 これらの知見は、機能的コネクトロミクスのための自己教師あり学習にドメイン固有の構造的前提を取り入れることの重要性を浮き彫りにした。 コードは、https://github.com/leomlck/NERVE.comで入手できる。

関連論文リスト

• Learning Structural-Functional Brain Representations through Multi-Scale Adaptive Graph Attention for Cognitive Insight [15.13186621391124]
  本稿では,構造-機能相互作用を適応的に学習するグラフニューラルネットワークフレームワークであるMultiscale Adaptive Graph Network (MAGNet)を紹介する。 ハイブリッドグラフは直接経路と間接経路を統合し、局所的言語的注意は接続性の重要性を洗練させ、共同損失は相互のコヒーレンスを強制する。 ABCDデータセットでは、MAGNetが関連するベースラインを上回り、認知機能の理解を深めるための効果的なマルチモーダル統合を実証した。
  論文  参考訳（メタデータ） (2026-03-31T16:32:15Z)
• 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)
• Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis [10.444771588267436]
  脳階層型組織学習(BrainHO)を提案する。 具体的には,ノードを階層構造に集約する階層的アテンション機構を設計する。 公開されているABIDEとREST-meta-MDDデータセットの実験では、BrainHOは最先端の分類性能を達成するだけでなく、解釈可能な、臨床的に重要なバイオマーカーも明らかにしている。
  論文  参考訳（メタデータ） (2026-03-10T12:49:45Z)
• Interpretable Cross-Network Attention for Resting-State fMRI Representation Learning [5.79619045482301]
  BrainInterNetは、クロスアテンションによるマスク付き再構築に基づく、ネットワーク対応の自己管理フレームワークである。 我々は、マルチコアfMRIデータに基づいてBrainInterNetをトレーニングし、アルツハイマー病神経画像イニシアチブデータセットで評価する。 本手法はアルツハイマー病における脳のネットワーク相互作用の系統的変化を明らかにする。
  論文  参考訳（メタデータ） (2026-02-28T19:15:52Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Learning Interpretable Models for Coupled Networks Under Domain Constraints [8.308385006727702]
  脳ネットワークの構造的エッジと機能的エッジの相互作用に着目して,結合ネットワークの概念を検討する。 相互作用を推定しながらノイズ項にハードネットワークの制約を課す新しい定式化を提案する。 ヒトコネクトームプロジェクトから得られたマルチシェル拡散およびタスク誘発fMRIデータセットの手法を検証する。
  論文  参考訳（メタデータ） (2021-04-19T06:23:31Z)
• Multiple-view clustering for identifying subject clusters and brain sub-networks using functional connectivity matrices without vectorization [0.0]
  Wishart混合モデルに基づく新しいマルチビュークラスタリング手法を提案する。 この手法の独特な点は、被験者のマルチビュークラスタリングがノードの特定のネットワークに基づいていることである。
  論文  参考訳（メタデータ） (2020-10-20T00:51:45Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• MDP Homomorphic Networks: Group Symmetries in Reinforcement Learning [90.20563679417567]
  本稿では,深層強化学習のためのMDP準同型ネットワークを提案する。 MDP準同型ネットワーク(英: MDP homomorphic network)は、MDPの結合状態-作用空間における対称性の下で不変なニューラルネットワークである。 このようなネットワークは,グリッドワールドであるCartPoleとPongの非構造化ネットワークよりも高速に収束することを示す。
  論文  参考訳（メタデータ） (2020-06-30T15:38:37Z)

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。