論文の概要: Nonlocal operator learning for fMRI encoding and decoding tasks

• arxiv url: http://arxiv.org/abs/2605.20389v1
• Date: Tue, 19 May 2026 18:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.325721
• Title: Nonlocal operator learning for fMRI encoding and decoding tasks
• Title（参考訳）: fMRI符号化および復号化タスクのための非局所演算子学習
• Authors: Andreas Kramer, Saugat Acharya, Alice Giola, Emanuele Zappala,
• Abstract要約: 本研究では,fMRIにおけるタスクの符号化と復号化のためのニューラル積分演算子モデルについて検討する。 2つのオープンソースfMRIデータセットを用いて,本モデルの評価を行った。
• 参考スコア（独自算出の注目度）: 1.8933894803085838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional MRI data exhibit high-dimensional spatiotemporal structure, making both prediction and decoding challenging. In this work, we investigate neural integral-operator-based models for encoding and decoding tasks in fMRI, with particular emphasis on the role of nonlocal spatiotemporal context. We implement a latent neural integral operator framework that performs fixed point iterations in an auxiliary space from which classification and stimuli prediction is performed via a decoder. We evaluate our model on two open-source fMRI datasets. Our experiments examine both decoding of stimuli from fMRI recordings and encoding of fMRI dynamics from stimulus representations. A main focus is the effect of spatiotemporal context: we systematically compare short and long temporal windows, as well as the use of visual cortex vs whole brain recordings, and analyze their influence on performance and latent-space geometry. Across tasks and datasets, larger temporal windows generally improve results and produce more structured learned representations. In decoding experiments, the learned latent space often provides clearer class separation than the raw data. In encoding experiments, although absolute performance remains moderate due to the difficulty of the task, longer temporal windows still yield consistent gains. These findings suggest that neural integral operators provide a promising framework for modeling fMRI dynamics and that broader spatiotemporal context can be beneficial for both prediction and representation learning. More broadly, the results indicate that exploiting distributed nonlocal structure in brain dynamics requires model architectures specifically designed to capture such dependencies.
• Abstract（参考訳）: 機能的MRIデータは高次元時空間構造を示し、予測と復号の両方が困難である。 本研究では,fMRIにおけるタスクの符号化と復号化のためのニューラル積分演算系モデルについて検討し,特に非局所的時空間の役割に着目した。 我々は,デコーダを介して分類と刺激予測を行う補助空間において,固定点反復を行う潜在神経積分演算子フレームワークを実装した。 2つのオープンソースfMRIデータセットを用いて,本モデルの評価を行った。 実験では,fMRI記録からの刺激の復号化と刺激表現からのfMRIダイナミクスの復号化について検討した。 短期・長期の時間的窓を体系的に比較し、視覚野と全脳記録を用いて、それらの性能および潜時空間の幾何学的影響を分析する。 タスクやデータセット全体にわたって、より大きな時間ウィンドウは一般的に結果を改善し、より構造化された学習表現を生成する。 復号化実験では、学習された潜在空間は生データよりも明確なクラス分離を提供することが多い。 符号化実験では、タスクの難しさのため絶対的な性能は適度に保たれているが、長い時間窓は依然として一貫した利得が得られる。 これらの結果から, ニューラル積分演算子はfMRIのダイナミックスをモデル化するための有望なフレームワークであり, 時空間の広さは予測学習と表現学習の両方に有用であることが示唆された。 より広範に、脳力学における分散非局所構造の利用は、そのような依存関係を捉えるために特別に設計されたモデルアーキテクチャを必要とすることを示唆している。

関連論文リスト

• Simple Models, Rich Representations: Visual Decoding from Primate Intracortical Neural Signals [0.0]
  霊長類の高密度皮質内記録から視覚情報を復号する問題に対処する。 我々は,低分解能遅延再構成と意味的条件付き拡散を組み合わせたモジュラー生成復号パイプラインを開発した。 このフレームワークは、ブレイン・コンピュータ・インタフェースとセマンティック・ニューラル・デコーディングの原則を提供する。
  論文  参考訳（メタデータ） (2026-01-16T09:10:31Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• 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)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• Predicting Cognition from fMRI:A Comparative Study of Graph, Transformer, and Kernel Models Across Task and Rest Conditions [1.0832932170181544]
  本研究は,認知予測のための古典的機械学習(KRR)と高度ディープラーニング(DL)モデルを体系的にベンチマークした。 その結果,認知に直結したニューラル応答を誘発するタスクベースfMRIは,認知行動予測におけるRSfMRIよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-28T17:29:22Z)
• 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)
• 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)
• 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)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)

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。