論文の概要: Embedded Polygon Symbolic Transfer Entropy (EPSTE): A Geometric Token and Deep Learning Approach to Estimating Transfer Entropy in Neuroimaging Time Series

• arxiv url: http://arxiv.org/abs/2606.21754v1
• Date: Fri, 19 Jun 2026 21:13:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 03:33:57.915055
• Title: Embedded Polygon Symbolic Transfer Entropy (EPSTE): A Geometric Token and Deep Learning Approach to Estimating Transfer Entropy in Neuroimaging Time Series
• Title（参考訳）: 組込みポリゴンシンボリックトランスファーエントロピー(EPSTE: Embedded Polygon Symbolic Transfer Entropy) : 神経画像時系列におけるトランスファーエントロピー推定のための幾何学的トケとディープラーニングアプローチ
• Authors: David Alexander Finnigan,
• Abstract要約: この研究は、TE推定を学習可能な問題として再設計するフレームワークであるEmbeded Polygon Transfer Entropy (EPSTE)を導入している。 注意に基づくマルチインスタンス学習を備えたリカレントニューラルネットワークをトレーニングし、シンボル時間窓の袋から代理値のTE値を予測する。 その結果、局所的なウィンドウレベルの予測はノイズが多いが、試行錯誤とチャネルペア間のアグリゲーションにより、安定した指向性が得られることが示された。
• 参考スコア（独自算出の注目度）: 2.1575136240463597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring directed interactions between neural systems from EEG and MEG remains challenging due to noise, nonstationarity, and the high sample complexity of information-theoretic estimators. Transfer Entropy (TE) provides a principled and model-free measure of directed information flow; however, its practical estimation is not stable in finite data regimes (particularly as embedding dimension increases). This work introduces Embedded Polygon Symbolic Transfer Entropy (EPSTE), a framework that reframes TE estimation as a learnable problem operating on structured symbolic representations of local temporal morphology rather than raw signal amplitudes. Neural time series are decomposed into sequences of geometric primitives derived from local triplets of samples encoding complementary aspects of waveform structure such as magnitude, curvature and directional change. These primitives are discretised into symbolic tokens, yielding a compact but expressive state space over which symbolic TE is estimated. A recurrent neural network with attention-based multiple-instance learning is trained to predict surrogate-validated TE values from bags of symbolic temporal windows. The method is evaluated on source-reconstructed MEG data parcellated using the AAL90 atlas and compared against a standard symbolic baseline using identical architectures and supervision. The results demonstrate that while local window-level predictions are noisy, aggregation across trials and channel pairs yields stable directed dependencies. At the pair level, EPSTE achieves near-perfect recovery of ground-truth directed structure and significantly lower absolute error than the baseline, indicating that representational geometry plays a critical role in enabling practical learnability of information-theoretic dependencies.
• Abstract（参考訳）: 脳波とMEGからの神経系間の直接的相互作用の推測は、ノイズ、非定常性、および情報理論推定器の高サンプリング複雑さにより、依然として困難である。 転送エントロピー(TE)は、方向情報フローの原理的かつモデルのない尺度を提供するが、その実用的推定は有限データレジームでは安定ではない(特に埋め込み次元が増加するにつれて)。 組込みポリゴンシンボル伝達エントロピー(EPSTE: Embedded Polygon Symbolic Transfer Entropy)は、TE推定を生信号振幅ではなく、局所時間形態の構造化記号表現に基づく学習可能な問題として再構成するフレームワークである。 ニューラル時系列は、大きさ、曲率、方向変化などの波形構造の相補的な側面をコードするサンプルの局所三重項から導かれる幾何学的原始体の列に分解される。 これらのプリミティブはシンボリックトークンに分解され、シンボリックTEが推定されるコンパクトだが表現的な状態空間が得られる。 注意に基づくマルチインスタンス学習を備えたリカレントニューラルネットワークをトレーニングし、シンボル時間窓の袋から代理値のTE値を予測する。 この手法は,AAL90アトラスを用いて解析したソース再構成MEGデータに基づいて評価し,同一のアーキテクチャと監視手法を用いて標準的なシンボルベースラインと比較した。 その結果、局所的なウィンドウレベルの予測はノイズが多いが、試行錯誤とチャネルペア間のアグリゲーションにより、安定した指向性が得られることが示された。 ペアレベルでは、ESSTEは地中構造をほぼ完全に復元し、ベースラインよりも絶対誤差を著しく低くし、情報理論依存の実践的学習性を実現する上で、表現幾何学が重要な役割を担っていることを示す。

関連論文リスト

• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
  我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。 コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
  論文  参考訳（メタデータ） (2026-04-28T19:21:21Z)
• Geometrically Constrained Outlier Synthesis [4.254099382808598]
  画像分類のためのディープニューラルネットワークは、しばしばアウト・オブ・ディストリビューション(OOD)サンプルに過信を示す。 トレーニング時間正規化フレームワークであるGCOS(Geometrically Constrained Outlier Synthesis)を紹介する。 このフレームワークは自然に共形OOD推論に遷移し、不確かさのスコアを統計的に有効なp値に変換する。
  論文  参考訳（メタデータ） (2026-03-09T14:11:47Z)
• Bayesian Matrix Completion Under Geometric Constraints [3.5522446024799064]
  スパース・ノイズ観測からユークリッド距離行列の完成は、信号処理における根本的な課題である。 ランク制約付き最適化や半定値プログラミングのような伝統的な手法は、幾何的制約を強制するが、しばしばスパースまたはノイズの多い条件下で苦労する。 本稿では,EDMを生成する潜在点集合に直接構造的事前を配置し,自然に幾何学的制約を埋め込む階層的ベイズフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T09:45:34Z)
• Time Series Analysis of Spiking Neural Systems via Transfer Entropy and Directed Persistent Homology [0.0]
  本稿では、トランスファーエントロピー(TE)と永続ホモロジー(PH)を統合したニューラルネットワーク時系列分析フレームワークを提案する。 TEはニューロン間の方向の影響を定量化し、動的相互作用を反映した重み付き有向グラフを生成する。 この枠組みを,論理ゲートタスクを訓練した合成スパイクネットワーク,構造化および摂動入力に曝露した画像分類ネットワーク,行動事象を付加したマウス皮質記録に適用した。
  論文  参考訳（メタデータ） (2025-08-26T14:01:53Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Communities in the Kuramoto Model: Dynamics and Detection via Path Signatures [1.024113475677323]
  本研究では,連続経路の幾何学的および時間的特性を符号化する数学的枠組みである経路シグネチャの利用を提案する。 本研究では,観測時系列から構造的コミュニティを正確に復元する,署名に基づく新しいコミュニティ検出アルゴリズムを提案する。 その結果,パスシグネチャは複雑なニューラルネットワークや他の高次元システムの解析において,新たな視点を提供することが示された。
  論文  参考訳（メタデータ） (2025-03-21T21:41:48Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)

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。