論文の概要: RECTOR: Masked Region-Channel-Temporal Modeling for Affective and Cognitive Representation Learning
- arxiv url: http://arxiv.org/abs/2606.15278v1
- Date: Sat, 13 Jun 2026 12:33:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.247314
- Title: RECTOR: Masked Region-Channel-Temporal Modeling for Affective and Cognitive Representation Learning
- Title（参考訳）: RECTOR: 感情的・認知的表現学習のためのマスケ領域-カーネル-テンポラルモデリング
- Authors: Jinhan Liu, Mahsa Shoaran,
- Abstract要約: 感情障害と認知障害は、地域、チャンネル、時間にまたがる時間変化の脳ネットワークのダイナミクスとして表される。
本稿では,共同領域-チャネル-時間的表現学習を統一するエンドツーエンドの自己組織化フレームワークRECTORを提案する。
多様なベンチマークを通じて、RECTORは、脳波の感情認識とsEEGタスクエンゲージメント分類における新しい最先端の技術を設定している。
- 参考スコア（独自算出の注目度）: 3.249403472775399
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Affective and cognitive disorders manifest as distributed, time-varying brain network dynamics across regions, channels, and time, challenging robust representation learning from EEG/sEEG for clinical diagnosis. We propose RECTOR (Masked Region-Channel-Temporal Modeling), an end-to-end self-supervised framework that unifies joint region-channel-temporal representation learning beyond fixed anatomical priors. At its core, RECTOR-SA is a hierarchical, block-sparse self-attention induced by Adaptive Functional Partitioning that evolves region structures from static anatomical definitions to adaptive functional regions. The self-supervision is driven by Masked Topology and Representation Learning, which jointly optimizes three complementary objectives: Masked Predictive Modeling, Topological Structure Modeling, and Cross-View Consistency. Across diverse benchmarks, RECTOR sets a new state-of-the-art in EEG emotion recognition and sEEG task-engagement classification. Crucially, its strong robustness to missing channels and cross-montage generalization underscores its potential for large-scale pre-training on heterogeneous EEG/sEEG, providing interpretable insights at both region and channel levels.
- Abstract（参考訳）: 感情障害や認知障害は、地域、チャンネル、時間にまたがる時間変化の脳ネットワークダイナミクスとして現れ、臨床診断のための脳波/sEEGからの堅牢な表現学習に挑戦する。
本稿では,固定された解剖学の先行する領域-チャネル-時間的学習を統一するエンドツーエンドの自己組織化フレームワークであるRECTOR(Masked Region-Channel-Temporal Modeling)を提案する。
中心となるRECTOR-SAは、静的解剖学的定義から適応的機能領域へと領域構造を進化させる適応的機能分割によって誘導される階層的でブロックスパースな自己アテンションである。
Masked Topology and Representation Learningは、Masked Predictive Modeling、Topological Structure Modeling、Cross-View Consistencyの3つの相補的な目的を共同で最適化する。
多様なベンチマークを通じて、RECTORは、脳波の感情認識とsEEGタスクエンゲージメント分類における新しい最先端の技術を設定している。
重要なことに、チャネルの欠如とクロスモンテージの一般化に対する強い堅牢性は、異種脳波/sEEGの大規模事前トレーニングの可能性を強調し、領域とチャネルレベルの両方で解釈可能な洞察を提供する。
関連論文リスト
- Anatomy-Anchored Self-Supervision: Distilling Vision Foundation Models for Invariant Ultrasound Representation [29.61647712180762]
自己指導型事前訓練パラダイムは, 医用画像における伝達可能な表現の学習において, 優位性を高めている。
一般的な視覚領域から臨床的に有意な解剖構造へ表現学習を移行させる解剖学的アンコール超音波自己監督フレームワークANAUSを提案する。
論文 参考訳（メタデータ） (2026-05-25T03:52:58Z) - 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) - CARE: A Molecular-Guided Foundation Model with Adaptive Region Modeling for Whole Slide Image Analysis [23.45449218534003]
本稿では, 画像全体を形態学的に関連のある領域に自動的に分割する病理基盤モデルであるCross-Modal Adaptive Region (CARE)を提案する。
通常主流の基盤モデルで使用される事前トレーニングデータのわずか10分の1に基づいて、CAREは33のダウンストリームベンチマークでより優れた平均性能を達成する。
論文 参考訳（メタデータ） (2026-02-25T07:01:54Z) - Region-aware Spatiotemporal Modeling with Collaborative Domain Generalization for Cross-Subject EEG Emotion Recognition [15.65302580686776]
物体間変動が強いため、物体間脳波に基づく感情認識は困難である。
本研究では、感情認識のための協調的ドメイン一般化を用いた地域対応時空間モデリングフレームワークを提案する。
RSM-CoDGは機能的脳領域分割から派生した先行を組み込んで領域レベルの空間表現を構築する。
また、感情誘発神経活動の動的進化を特徴付けるために、マルチスケールの時間モデルも採用している。
論文 参考訳（メタデータ） (2026-01-22T03:35:40Z) - Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。
本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。
SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文 参考訳（メタデータ） (2025-09-30T08:59:06Z) - CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。
CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。
これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
論文 参考訳（メタデータ） (2025-06-29T03:29:34Z) - 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) - 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) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳（メタデータ） (2023-11-10T11:49:49Z)
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。