論文の概要: Sex-based Network-Specific Differences in Connectomes: A Krakencoder-Based Analysis

• arxiv url: http://arxiv.org/abs/2606.16294v1
• Date: Mon, 15 Jun 2026 06:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.031746
• Title: Sex-based Network-Specific Differences in Connectomes: A Krakencoder-Based Analysis
• Title（参考訳）: 性型ネットワークによるコネクトームの差異:クラケンコーダによる分析
• Authors: Vibhashree S H, Debanjali Bhattacharya, Vamshi Krishna Kancharla, Neelam Sinha,
• Abstract要約: 本研究では、Krakencoderをシミュレーションフレームワークとして、一方の脳コネクトームの欠損が他方の脳にどのように伝播するかを検討する。 ヒトコネクトーム計画における702人の健康な参加者の構造的および機能的コネクトームを解析した。
• 参考スコア（独自算出の注目度）: 3.900411116248442
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study examines how deficiencies in one brain connectome modality propagate to the other, using the Krakencoder as a simulation framework. Structural and functional connectomes from 702 healthy participants in the Human Connectome Project were analyzed, with the impact of each of the Yeo-7 functional networks assessed separately. Seven scenarios were considered, each involving the removal of a single network while the remaining networks were preserved. The resulting perturbations in cross-modal predictions were quantified using three complementary metrics: KL divergence on eigenvalue spectra, Frobenius norm, and Wasserstein distance. In addition, the persistence of sex-specific information within the predicted connectomes was evaluated. Across all metrics and both prediction directions, the Default Mode Network produced the largest perturbations, whereas the Somatomotor network yielded the smallest. Sex differences in network-level perturbation signatures were subtle, with the best result being an accuracy of 66.09% from connectomes predicted under network-removal conditions. In contrast, connectomes predicted from intact inputs achieved substantially higher sex classification accuracy, reaching up to 84.76%. These findings confirm that full predicted connectomes retain considerably more sex-discriminative information than perturbation-derived signatures alone.
• Abstract（参考訳）: 本研究では、Krakencoderをシミュレーションフレームワークとして、一方の脳コネクトームの欠損が他方の脳にどのように伝播するかを検討する。 ヒト・コネクトーム・プロジェクト(Human Connectome Project)の702人の健常者による構造的および機能的コネクトームを解析し、各Yeo-7の機能的ネットワークの影響を別々に評価した。 7つのシナリオが検討され、それぞれ1つのネットワークが削除され、残りのネットワークは保存された。 その結果, 固有値スペクトルのKL偏差, フロベニウスノルム, ワッサーシュタイン距離の3つの相補的指標を用いて, クロスモーダル予測の摂動を定量化した。 さらに、予測されたコネクトーム内の性特化情報の持続性を評価した。 すべての指標と予測方向で、デフォルト・モード・ネットワークは最大の摂動を発生させ、ソマトモトラー・ネットワークは最小の摂動を発生させた。 ネットワークレベルの摂動シグネチャの性差は微妙であり、ネットワーク除去条件下で予測されるコネクトームから66.09%の精度が得られた。 対照的に、無傷入力から予測されるコネクトームは性分類の精度を大幅に向上し、84.76%に達した。 これらの結果から、完全な予測されたコネクトームは摂動由来のシグネチャ単独よりも性差別的な情報をかなり多く保持していることが明らかとなった。

関連論文リスト

• SCALA: Sparsification-based Contrastive Learning for Anomaly Detection on Attributed Networks [19.09775548036214]
  属性付きネットワーク上の異常検出は、他の多数ノードと大きく異なる振る舞いを持つノードを見つけることを目的としている。 本稿では,ネットワークの埋め込み品質向上を目的とした,属性付きネットワーク上での異常検出のための新しいコントラスト学習フレームワークである textbfSCALA を提案する。 5つのベンチマーク実世界のデータセットで大規模な実験が行われ、結果はSCALAがすべてのベースライン手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-03T08:51:18Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
  産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。 コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。 Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T18:00:05Z)
• Signed Network Embedding with Application to Simultaneous Detection of Communities and Anomalies [25.541992448747695]
  本稿では,ネットワーク間のバランス構造と異常な影響を解消するために,符号付きネットワークの統一的な埋め込みモデルを開発する。 提案モデルでは,低位+スパース行列分解によるバランス構造と異常効果の両方を捉える。 また, 組込みモデルの利点は, 合成ネットワークと国際関係ネットワークの双方において, 広範な数値実験によって実証される。
  論文  参考訳（メタデータ） (2022-07-08T03:58:56Z)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• DICE: Diversity in Deep Ensembles via Conditional Redundancy Adversarial Estimation [109.11580756757611]
  メンバー間の多様性のおかげで、ディープアンサンブルは単一のネットワークよりもパフォーマンスが良い。 最近のアプローチでは、多様性を高めるための予測を規則化していますが、個々のメンバーのパフォーマンスも大幅に減少します。 DICEと呼ばれる新しいトレーニング基準を導入し、特徴間の素早い相関を減らして多様性を高める。
  論文  参考訳（メタデータ） (2021-01-14T10:53:26Z)
• Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
  我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。 さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
  論文  参考訳（メタデータ） (2020-02-24T08:52:06Z)

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。