論文の概要: GL-LFGNN:A Global-Local Dual-branch Causal Graph Neural Network Based on Liang-Kleeman Information Flow for EEG Emotion Recognition

• arxiv url: http://arxiv.org/abs/2605.25061v1
• Date: Sun, 24 May 2026 13:11:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.740956
• Title: GL-LFGNN:A Global-Local Dual-branch Causal Graph Neural Network Based on Liang-Kleeman Information Flow for EEG Emotion Recognition
• Title（参考訳）: GL-LFGNN:Lang-Kleeman情報フローに基づくグローバルローカルデュアルブランチ因果グラフニューラルネットワークによる脳波認識
• Authors: Ziyi Wang, Dongyang Kuang,
• Abstract要約: We propose GL-LFGNN, a Global-Local Dual-branch Causal Graph Neural Network based on Liang-Kleeman information flow theory。 時間的優先性のみを評価するグランガー因果性とは異なり、我々のアプローチは動的システムの観点から因果強さを厳格に定量化する。 MEEGデータセットでは、GL-LFGNNの精度は86.17%(Arousal)、86.71%(Valence)で、パラメータは37Kである。
• 参考スコア（独自算出の注目度）: 3.032674692886751
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: EEG-based emotion recognition holds significant promise for objective diagnosis of mood disorders. Graph neural networks (GNNs) have emerged as the dominant paradigm for modeling inter-channel dependencies in EEG, yet existing approaches rely on symmetric adjacency matrices derived from spatial proximity or functional correlations that fundamentally capture statistical associations rather than directed causal influences, which conflicts with the inherently asymmetric, causally-driven nature of neural information flow. To bridge this gap, we propose GL-LFGNN, a Global-Local Dual-branch Causal Graph Neural Network grounded in Liang-Kleeman information flow theory. Unlike Granger causality that merely assesses temporal precedence, our approach rigorously quantifies causal strength from a dynamical systems perspective, yielding neurophysiologically interpretable directed graphs. A dual-branch architecture further integrates whole-brain connectivity with region-specific processing aligned to established functional neuroanatomy. On the MEEG dataset, GL-LFGNN achieves 86.17% (Arousal) and 86.71% (Valence) accuracy with only 37K parameters -- approximately 10% of the current state-of-the-art -- demonstrating that principled causal modeling can simultaneously enhance interpretability, generalization, and computational efficiency. Code will be released.
• Abstract（参考訳）: 脳波に基づく感情認識は、気分障害の客観的診断に重要な可能性を秘めている。 グラフニューラルネットワーク(GNN)は、EEGにおけるチャネル間の依存関係をモデル化する主要なパラダイムとして浮上しているが、既存のアプローチは、神経情報フローの本質的に非対称で因果的に駆動される性質と矛盾する、直接因果的影響ではなく統計的関連を根本的に捉える空間的近接性や機能的相関から導かれる対称的隣接行列に依存している。 このギャップを埋めるために,Lang-Kleeman情報フロー理論に基づくGlobal-Local Dual-branch Causal Graph Neural Network(GL-LFGNN)を提案する。 時間的優先性のみを評価するグランガー因果性とは異なり、我々のアプローチは動的システムの観点から因果強さを厳格に定量化し、神経生理学的に解釈可能な有向グラフを生成する。 デュアルブランチアーキテクチャは、確立された機能的神経解剖に整合した領域固有の処理と全脳接続をさらに統合する。 MEEGデータセットでは、GL-LFGNNの86.17%(Arousal)と86.71%(Valence)の精度が37Kパラメータで達成され、これは現在の最先端技術の約10%である。 コードはリリースされる。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• LUMINA: Laplacian-Unifying Mechanism for Interpretable Neurodevelopmental Analysis via Quad-Stream GCN [14.397085001122525]
  解釈可能な神経発達解析のためのラプラシアン統一機構を提案する。 我々のモデルは、バイポーラRELUアクティベーションとデュアルスペクトルグラフラプラシアンフィルタリング機構を利用する、クアドストリームGCNである。 LUMINAは小児、ADHD、ALDの2つの重要な神経発達障害において安定した診断性能を示す。
  論文  参考訳（メタデータ） (2026-03-05T04:21:52Z)
• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• Self-Supervised Discovery of Neural Circuits in Spatially Patterned Neural Responses with Graph Neural Networks [0.0]
  神経集団活動からシナプス接続を推定することは、計算神経科学の基本的な課題である。 本稿では,ニューロンをグラフ内の相互作用ノードとしてモデル化することにより,同時に神経活動を予測するグラフベースニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-21T17:46:43Z)
• 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)
• Exploring General Intelligence via Gated Graph Transformer in Functional Connectivity Studies [39.82681427764513]
  Gated Graph Transformer (GGT) フレームワークは,機能的接続性(FC)に基づく認知的メトリクスの予測を目的としている フィラデルフィア神経発達コホート(PNC)に関する実証的検証は,我々のモデルにおいて優れた予測能力を示している。
  論文  参考訳（メタデータ） (2024-01-18T19:28:26Z)
• CI-GNN: A Granger Causality-Inspired Graph Neural Network for Interpretable Brain Network-Based Psychiatric Diagnosis [40.26902764049346]
  本稿では,脳ネットワークに基づく精神医学的診断を説明するためのグラフニューラルネットワーク(CI-GNN)を提案する。 CI-GNNは、それぞれ元のグラフの因果的側面と非因果的側面を符号化する、アンタングル化サブグラフレベル表現のアルファとベータを学習する。 3つのベースラインGNNと4つの最先端GNNの合成データと3つの大規模脳疾患データセットに対するCI-GNNの性能を実証的に評価した。
  論文  参考訳（メタデータ） (2023-01-04T14:36:44Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)

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。