論文の概要: Structure-Preserving Correction Learning for Sparse Bayesian Inference in Brain Source Imaging

• arxiv url: http://arxiv.org/abs/2606.07196v1
• Date: Fri, 05 Jun 2026 12:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.726855
• Title: Structure-Preserving Correction Learning for Sparse Bayesian Inference in Brain Source Imaging
• Title（参考訳）: 脳源イメージングにおけるスパースベイズ推論のための構造保存補正学習
• Authors: Marco Morik, Xiao Ruiting, Shinichi Nakajima, Stefan Haufe, Ismail Huseynov,
• Abstract要約: 基底となるベイズ構造を保存しながら,更新機構自体を学習する。 結果として得られるフレームワークは、徐々に表現力のある修正学習機構によって強化される。 学習した補正変種は再構成性能と収束挙動を改善した。
• 参考スコア（独自算出の注目度）: 8.09007180851
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Classical sparse Type-II Bayesian methods for M/EEG brain imaging support joint estimation of source and noise hyperparameters, but rely on fixed iterative update rules. Although these updates are principled and interpretable, their dynamics cannot be adapted from data. We propose to learn the update mechanism itself while preserving the underlying Bayesian structure by unfolding a classical joint hyperparameter-learning solver into a trainable neural architecture whose layers mirror the original iterations. The resulting framework is initialized to recover the classical solver exactly before training and is enriched through progressively more expressive correction-learning mechanisms, ranging from learnable biases to adaptive MLP and attention-based contextual refinements. In this way, training does not replace Bayesian inference with a black-box predictor, but instead learns structured correction terms while retaining the interpretability and model-based character of the original update dynamics. Structured correction learning therefore aims to improve empirical reconstruction performance without replacing the original model-based inference mechanism. Experimental results show that the learned correction variants improve reconstruction performance and convergence behavior over the baseline unfolded solver while preserving its algorithmic transparency.
• Abstract（参考訳）: M/EEG脳イメージングのための古典的スパースタイプIIベイズ法は、ソースとノイズのハイパーパラメータの同時推定をサポートするが、固定された反復更新規則に依存している。 これらの更新は原則であり、解釈可能であるが、それらのダイナミクスはデータから適応できない。 本稿では,古典的結合型ハイパーパラメータ学習解法を,階層が元の繰り返しを反映するトレーニング可能なニューラルネットワークアーキテクチャに展開することにより,基底となるベイズ構造を保ちながら,更新機構自体を学習することを提案する。 このフレームワークは、学習可能なバイアスから適応的なMDP、注意に基づく文脈改善まで、徐々に表現力のある修正学習機構を通じて、学習前の古典的な解法を復元するために初期化される。 このように、トレーニングはベイズ推定をブラックボックス予測器に置き換えるのではなく、元の更新ダイナミクスの解釈可能性とモデルに基づく特性を維持しながら構造化された修正項を学ぶ。 したがって、構造的補正学習は、オリジナルのモデルベース推論機構を置き換えることなく、経験的再構成性能を向上させることを目的としている。 実験結果から,学習した補正変種は,アルゴリズムの透明性を維持しつつ,ベースライン展開解法上での再構成性能と収束挙動を向上することが示された。

関連論文リスト

• Large Vision-Language Models Get Lost in Attention [51.851592109135716]
  本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。 注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
  論文  参考訳（メタデータ） (2026-05-07T04:45:52Z)
• Permutation-preserving Functions and Neural Vecchia Covariance Kernels [32.53204438108058]
  ガウス過程のためのスケーラブルで柔軟な共分散カーネルを構築するための新しいフレームワークを提案する。 具体的には、共分散を特徴付ける決定論的量であるクリグ係数と条件標準偏差をモデル化する。 置換同変関数の普遍表現を導出し、この対称性を尊重するニューラルアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2026-05-06T23:47:59Z)
• Data-Driven Variational Basis Learning Beyond Neural Networks: A Non-Neural Framework for Adaptive Basis Discovery [0.0]
  我々は,変分最適化により,データから直接基底関数を学習する非ニューラルな代替手法を開発した。 データ駆動変分基底学習(DVBL)と呼ばれる提案フレームワークは、基底原子を一次最適化変数として扱う。 これにより、明快で解釈可能で厳密な分析が可能なデータ適応基底展開が得られる。
  論文  参考訳（メタデータ） (2026-04-17T23:01:34Z)
• Adaptive Learning Guided by Bias-Noise-Alignment Diagnostics [0.7519872646378835]
  本稿では,誤り適応進化を明示的にモデル化する診断駆動学習フレームワークを提案する。 これらの診断は、損失または時間差(TD)誤差軌跡の軽量統計からオンラインで計算される。
  論文  参考訳（メタデータ） (2025-12-30T19:57:52Z)
• Likelihood-guided Regularization in Attention Based Models [1.561268797057701]
  視覚変換器(ViTs)のための確率誘導型変分型Ising型正規化フレームワークを提案する。 そこで,Ising正則化器は,不確実性を考慮した注意機構を通じて,精度の高い確率推定と構造的特徴選択を導出することを示す。
  論文  参考訳（メタデータ） (2025-11-17T10:38:09Z)
• From Denoising to Refining: A Corrective Framework for Vision-Language Diffusion Model [72.73512218682187]
  ReDiff(Refining-enhanced diffusion framework)は、モデルに自身のエラーを特定し、修正するように教えるフレームワークである。 まず、合成エラーを修正するためにモデルをトレーニングすることで、基礎的なリビジョン機能を具現化し、次に、新しいオンライン自己補正ループを実装します。 この誤り駆動学習は、モデルに既存の出力を再検討し、洗練する重要な能力を与え、エラーカスケードを効果的に破壊する。
  論文  参考訳（メタデータ） (2025-10-22T06:58:55Z)
• Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
  我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。 我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。 BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-03T06:27:33Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Self-Improvement in Language Models: The Sharpening Mechanism [70.9248553790022]
  我々は、レンズを通して自己改善の能力について、新たな視点を提供する。 言語モデルは、正しい応答を生成する場合よりも、応答品質の検証が優れているという観察に感銘を受けて、後学習において、モデル自体を検証対象として、自己改善を形式化する。 SFTとRLHFに基づく自己改善アルゴリズムの2つの自然ファミリーを解析する。
  論文  参考訳（メタデータ） (2024-12-02T20:24:17Z)
• Scalable Learning of Latent Language Structure With Logical Offline Cycle Consistency [71.42261918225773]
  概念的には、LOCCOは、トレーニング対象のセマンティクスを使用してラベルなしテキストのアノテーションを生成する、自己学習の一形態と見なすことができる。 追加ボーナスとして、LOCCOによって生成されたアノテーションは、神経テキスト生成モデルをトレーニングするために自明に再利用することができる。
  論文  参考訳（メタデータ） (2023-05-31T16:47:20Z)
• Self-Reflective Variational Autoencoder [21.054722609128525]
  変分オートエンコーダ(VAE)は潜在変数生成モデルを学習するための強力なフレームワークである。 自己回帰推論(self-reflective inference)と呼ばれるソリューションを導入します。 実験では, 後部と後部を正確に一致させることの明確な利点を実証的に示す。
  論文  参考訳（メタデータ） (2020-07-10T05:05:26Z)

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。