論文の概要: Connectivity Estimation using Stochastic Graph Heat Modelling

• arxiv url: http://arxiv.org/abs/2606.29098v1
• Date: Sat, 27 Jun 2026 21:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.788029
• Title: Connectivity Estimation using Stochastic Graph Heat Modelling
• Title（参考訳）: 確率グラフ熱モデリングによる接続性の推定
• Abstract要約: 我々は、神経生理学的接続推定のためのグラフ上でのノイズ駆動熱モデリングを拡張した。 2つの実験で有意義な空間構造を捉えることができることを示す。 接続推定器の明示的なモデル定式化は、グラフベースの手法の解釈可能性を改善する可能性がある。
• 参考スコア（独自算出の注目度）: 8.495508597640026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A growing number of techniques leverage the spatial structures that underlie many real-world datasets. Despite these advances, the complementary task of estimating spatial structures and understanding their role within these techniques has often been overlooked. In neurophysiological data analysis specifically, numerous methods exist to estimate brain connectivity, but most are not explicitly model-based, dynamic, multivariate, or directed. To address these limitations, we previously introduced noise-driven heat modelling on graphs for neurophysiological connectivity estimation. In this study, we extend this framework by relaxing earlier noise assumptions and adding regularisation to improve robustness. We also develop a simulation procedure to characterise and evaluate our technique in a controlled setting. Finally, we demonstrate that the technique is able to capture meaningful spatial structure across two experiments, each using two real-world datasets. The explicit model formulation of our connectivity estimator has the potential to improve the interpretability of graph-based techniques across a wide range of applications. The code implementing our method is available at https://github.com/sgoerttler/Heat_Connectivity.
• Abstract（参考訳）: ますます多くの技術が、多くの現実世界のデータセットの基盤となる空間構造を活用している。 これらの進歩にもかかわらず、空間構造を推定し、それらの技術における役割を理解するという補完的な課題はしばしば見過ごされている。 神経生理学的データ分析では、脳の接続性を推定するために多くの方法が存在するが、その多くはモデルベース、動的、多変量、あるいは指示的ではない。 これらの制約に対処するため、我々は以前、神経生理学的接続推定のためのグラフ上にノイズ駆動型熱モデリングを導入した。 本研究では,従来の雑音の仮定を緩和し,ロバスト性を改善するために正規化を加えることで,この枠組みを拡張した。 また,本手法を制御された環境で特徴付け,評価するシミュレーション手法を開発した。 最後に、2つの実世界のデータセットを用いて、2つの実験で有意義な空間構造を捉えることができることを示す。 接続推定器の明示的なモデル定式化は、幅広いアプリケーションにわたるグラフベースの手法の解釈可能性を改善する可能性がある。 私たちのメソッドを実装するコードはhttps://github.com/sgoerttler/Heat_Connectivity.orgで公開されている。

関連論文リスト

• The Density of Cross-Persistence Diagrams and Its Applications [67.12329106585666]
  トポロジカルデータ分析(TDA)は、クラスタやループ、ヴォイドといったトポロジ的特徴を通じて、データの形状と構造を探索する強力なツールを提供する。 永続化ダイアグラムはTDAの基盤であり、スケールを越えたこれらの機能の進化を捉えています。 最近導入されたクロスパースペンス・ダイアグラム(クロスバーコード)は、2点雲の位相的特徴間の関係を特徴付けることでこの制限に対処する。
  論文  参考訳（メタデータ） (2026-03-12T07:33:15Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators [7.7227297059345466]
  本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。 我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
  論文  参考訳（メタデータ） (2024-06-20T21:13:39Z)
• Nonlinear classification of neural manifolds with contextual information [6.292933471495322]
  本稿では,入力空間における遅延方向を文脈情報に関連付ける理論フレームワークを提案する。 我々は、多様体幾何学と文脈相関に依存する文脈依存多様体容量の正確な公式を導出する。 我々のフレームワークの表現性の向上は、階層階層の初期段階のディープネットワークにおける表現再構成を捉えるが、以前は分析にはアクセスできない。
  論文  参考訳（メタデータ） (2024-05-10T23:37:31Z)
• Neural Koopman prior for data assimilation [7.875955593012905]
  ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。 本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。 また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
  論文  参考訳（メタデータ） (2023-09-11T09:04:36Z)
• NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [9.803179588247252]
  グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。 行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
  論文  参考訳（メタデータ） (2023-06-09T19:10:16Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Latent Multimodal Functional Graphical Model Estimation [26.457941699285165]
  本稿では,データ生成過程をモデル化し,観測空間から潜伏空間へマッピングする演算子を同定する新しいフレームワークを提案する。 次に、変換演算子と潜在グラフを同時に推定する推定器を開発する。 本研究は,脳の機能的接続を示すマルチモーダル脳画像データの解析に応用した。
  論文  参考訳（メタデータ） (2022-10-31T11:43:05Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。