論文の概要: BrainDyn: A Sheaf Neural ODE for Generative Brain Dynamics

• arxiv url: http://arxiv.org/abs/2605.19324v1
• Date: Tue, 19 May 2026 04:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.111224
• Title: BrainDyn: A Sheaf Neural ODE for Generative Brain Dynamics
• Title（参考訳）: BrainDyn: 生成的脳ダイナミクスのためのせん断ニューラルネットワーク
• Authors: Siddharth Viswanath, Panayiotis Ketonis, Chen Liu, Michael Perlmutter, Dhananjay Bhaskar, Smita Krishnaswamy,
• Abstract要約: 構造化脳グラフ上での連続時間ダイナミクスのためのせん断神経常微分方程式(neural ODE)モデルであるBrainDynを導入する。 BrainDynは、長期記憶(LSTM)モデルを使用して、各脳領域の最近の活動履歴をエンコードする。 結果の表現は、シリコ摂動予測を含む下流タスクをサポートする。
• 参考スコア（独自算出の注目度）: 8.837573450847225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient neural network models that generate brain-like dynamic activity can be a valuable resource for generating synthetic data, analyzing differences in brain transients under conditions such as testing perturbation activity or inferring the underlying generative dynamics. However, large language models (LLMs) or standard recurrent neural networks (RNNs) ignore the anatomical organization and therefore do not produce components that align with brain regions. On the other hand, graph-based networks often have very simple message passing rules that are not sufficiently expressive for brain-like dynamics. To address this, we introduce BrainDyn, a sheaf neural ordinary differential equation (neural ODE) model for continuous-time dynamics on structured brain graphs. BrainDyn encodes the recent activity history of each brain region using a long short-term memory (LSTM) model over a sliding temporal window to produce hidden states, or stalks, that are projected through learnable restriction maps into edge-specific shared spaces. Discrepancies between neighboring nodes in these shared spaces are characterized by a sheaf Laplacian that can facilitate message passing between neuronal units. The output of these messages is then fed to a neural ODE that governs the continuous-time evolution of neuronal activity. We evaluated BrainDyn on resting-state fMRI (PNC dataset), scalp EEG with focal epilepsy (TUSZ dataset), and simulated activity from the NEST spiking network simulator. BrainDyn achieves strong forecasting ability across modalities, and the resulting representations support downstream tasks including in silico perturbation prediction.
• Abstract（参考訳）: 脳に似たダイナミックな活動を生成する効率的なニューラルネットワークモデルは、合成データの生成、摂動活動のテストや基礎となる生成ダイナミクスの推測といった条件下での脳の過渡性の違いの分析に有用なリソースとなり得る。 しかし、大きな言語モデル(LLM)や標準リカレントニューラルネットワーク(RNN)は解剖学的組織を無視しているため、脳の領域と整合するコンポーネントを生成しない。 一方、グラフベースのネットワークは、脳のようなダイナミクスには十分表現できない非常に単純なメッセージパッシングルールを持つことが多い。 これを解決するために、構造化脳グラフ上の連続時間ダイナミクスのためのせん断神経常微分方程式(neural ODE)モデルであるBrainDynを導入する。 BrainDynは、長い短期記憶(LSTM)モデルを使用して各脳領域の最近の活動履歴を符号化し、学習可能な制約マップを通してエッジ固有の共有空間に投影される隠れ状態(stalk)を生成する。 これらの共有空間における隣接ノード間の相違は、神経細胞ユニット間のメッセージパッシングを促進するための層ラプラシアンによって特徴づけられる。 これらのメッセージの出力は神経回路に送られ、神経活動の連続的な進化を制御している。 我々は、安静時fMRI(PNCデータセット)、局所てんかん(TUSZデータセット)による頭皮脳波、NESTスパイキングネットワークシミュレータからの模擬活動について、BrainDynの評価を行った。 BrainDynは、モダリティを越えて強力な予測能力を達成し、結果として得られる表現は、シリコ摂動予測を含む下流タスクをサポートする。

関連論文リスト

• JEDI: Jointly Embedded Inference of Neural Dynamics [12.034164909682366]
  タスクとコンテキストをまたいだニューラルダイナミクスをキャプチャする階層モデルであるJEDIを紹介する。 シミュレーションされたRNNデータセットを用いて、JEDIが堅牢で一般化可能な条件固有の埋め込みを正確に学習できることを実証する。 我々の研究は、文脈埋め込みと繰り返し重みの合同学習が、記録のみからの脳のダイナミクスのスケーラブルで一般化可能な推論を提供することを示している。
  論文  参考訳（メタデータ） (2026-03-11T07:31:20Z)
• BrainATCL: Adaptive Temporal Brain Connectivity Learning for Functional Link Prediction and Age Estimation [0.33748750222488655]
  本稿では、適応的時間的脳接続学習のための非教師なしノンパラメトリックフレームワークBrainATCLを提案する。 提案手法は,新たに追加されたエッジのレートに基づいて,スナップショット毎のルックバックウィンドウを動的に調整する。 グラフシーケンスはGINE-Mamba2バックボーンを用いて符号化され、静止状態fMRIデータにおける動的機能接続の時空間表現を学習する。
  論文  参考訳（メタデータ） (2025-08-09T21:18:25Z)
• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• 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)
• BrainStratify: Coarse-to-Fine Disentanglement of Intracranial Neural Dynamics [8.36470471250669]
  ニューラルアクティビティから直接音声をデコードすることは、脳-コンピュータインターフェース(BCI)研究における中心的な目標である。 近年、脳内野電位記録(SEEG)やECoG(ElectroCorticoGraphy)など、頭蓋内野電位記録(intracranial field potential recordings)の利用により、エキサイティングな進歩がなされている。 i)タスク関連神経信号はsEEG電極に分散し、(ii)タスク関連神経信号をsEEGとECoの両方で絡み合うことが多い。
  論文  参考訳（メタデータ） (2025-05-26T19:36:39Z)
• CREIMBO: Cross-Regional Ensemble Interactions in Multi-view Brain Observations [3.3713037259290255]
  現在の分析手法は、しばしばそのようなデータの豊かさを活かさない。 CREIMBOは、グラフ駆動辞書学習を通じて、セッションごとのニューラルアンサンブルの隠れた構成を特定する。 合成データ中の真の成分を回収するCREIMBOの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-27T17:48:32Z)
• 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)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Ranking of Communities in Multiplex Spatiotemporal Models of Brain Dynamics [0.0]
  隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。 この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。 ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
  論文  参考訳（メタデータ） (2022-03-17T12:14:09Z)

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。