Fugu-MT 論文翻訳(概要): SABER: A Semantic-Aligned Brain Network Analysis Framework via Multi-scale Hypergraphs

論文の概要: SABER: A Semantic-Aligned Brain Network Analysis Framework via Multi-scale Hypergraphs

arxiv url: http://arxiv.org/abs/2607.01901v1
Date: Thu, 02 Jul 2026 08:58:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-03 19:45:08.751202
Title: SABER: A Semantic-Aligned Brain Network Analysis Framework via Multi-scale Hypergraphs
Title（参考訳）: SABER: マルチスケールハイパーグラフによるセマンティックアライン脳ネットワーク分析フレームワーク
Authors: Yidan Xu, Xiangmin Han, Rundong Xue, Huihui Ye,
Abstract要約: 脳疾患の診断には、脳の接続パターンと高レベルの意味的知識のシナジーが必要である。既存の方法は、大きな言語モデル(LLM)のセマンティクスを補助的特徴または監督として扱う。本稿では,LLM由来のセマンティクスを予測プロセスに積極的に組み込むセマンティクス・アライン・ブレイン・ネットワーク・フレームワークを提案する。
参考スコア（独自算出の注目度）: 2.525239819116781
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Effective brain disease diagnosis requires the synergy of brain connectivity patterns and high-level semantic knowledge. Existing methods, however, largely treat semantics from large language models (LLMs) as auxiliary features or supervision, limiting their direct role in decision-making and constraining classification stability and robustness. To overcome this, we propose a semantic-aligned brain network framework that actively integrates LLM-derived semantics into the prediction process. Specifically, ROI-level semantics are first incorporated via global self-attention to enrich node representations and provide whole-brain context. Multi-scale hypergraphs are then constructed to explicitly model functional subnetworks and multi-ROI interactions, addressing the locality limitations of traditional GNNs and capturing high-order dependencies. Finally, a decision-level semantic alignment mechanism selectively injects patient-specific textual embeddings into graph representations, enabling semantics to directly guide predictions without perturbing the underlying network structure. Experiments on public brain network datasets ABIDE and ADHD-200 demonstrate state-of-the-art performance, enhanced stability, and improved interpretability, particularly in small-sample settings.
Abstract（参考訳）: 効果的な脳疾患の診断には、脳の接続パターンと高度な意味知識の相乗効果が必要である。しかし、既存の手法は、大きな言語モデル(LLM)のセマンティクスを補助的な特徴や監督として扱い、意思決定における直接的な役割を制限し、分類の安定性と堅牢性を制限している。そこで本研究では,LLM由来のセマンティクスを予測プロセスに積極的に統合する意味整合型脳ネットワークフレームワークを提案する。具体的には、ROIレベルのセマンティクスは、まずグローバルな自己認識を通じてノード表現を豊かにし、全体脳コンテキストを提供する。マルチスケールハイパーグラフは、機能サブネットとマルチROIインタラクションを明示的にモデル化し、従来のGNNの局所性制限に対処し、高次依存関係をキャプチャするために構築される。最後に、決定レベルのセマンティックアライメント機構により、患者固有のテキスト埋め込みをグラフ表現に選択的に注入し、セマンティックスがネットワーク構造を乱すことなく直接予測を導出できるようにする。パブリックな脳ネットワークデータセットであるABIDEとADHD-200の実験では、特に小さなサンプル設定において、最先端のパフォーマンス、安定性の向上、解釈可能性の向上が示されている。

関連論文リスト

FPED: A Functional-Network Prior-Guided Mixture-of-Experts Framework for Interpretable Brain Decoding [11.964663489641751]
本稿では,FPED(Functional-Network Prior-Guided Mixture of Experts)フレームワークを提案する。 FPEDは、異なる機能的脳ネットワークを専門の専門家としてモデル化し、視覚意味理解への補完的な貢献を捉えるために適応的ルーティングを使用している。実験の結果,FPEDは0.68Bのパラメータしか持たない高い競争力を持つセマンティック再構築性能を示した。
論文参考訳（メタデータ） (2026-05-19T02:53:49Z)
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)
Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis [10.444771588267436]
脳階層型組織学習(BrainHO)を提案する。具体的には,ノードを階層構造に集約する階層的アテンション機構を設計する。公開されているABIDEとREST-meta-MDDデータセットの実験では、BrainHOは最先端の分類性能を達成するだけでなく、解釈可能な、臨床的に重要なバイオマーカーも明らかにしている。
論文参考訳（メタデータ） (2026-03-10T12:49:45Z)
Interpretable Cross-Network Attention for Resting-State fMRI Representation Learning [5.79619045482301]
BrainInterNetは、クロスアテンションによるマスク付き再構築に基づく、ネットワーク対応の自己管理フレームワークである。我々は、マルチコアfMRIデータに基づいてBrainInterNetをトレーニングし、アルツハイマー病神経画像イニシアチブデータセットで評価する。本手法はアルツハイマー病における脳のネットワーク相互作用の系統的変化を明らかにする。
論文参考訳（メタデータ） (2026-02-28T19:15:52Z)
Novel Category Discovery with X-Agent Attention for Open-Vocabulary Semantic Segmentation [48.806000388608005]
提案するX-Agentは,「潜時意味認識エージェント」を用いてモーダル間注意機構を編成する,革新的なOVSSフレームワークである。 X-Agentは最先端のパフォーマンスを実現し、潜伏したセマンティックサリエンシを効果的に強化する。
論文参考訳（メタデータ） (2025-09-01T09:01:58Z)
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)
Mechanistic understanding and validation of large AI models with SemanticLens [13.712668314238082]
航空機のような人間工学的なシステムとは異なり、AIモデルの内部動作はほとんど不透明である。本稿では、コンポーネントによって符号化された隠れた知識をマッピングするニューラルネットワークの普遍的説明法であるSemanticLensを紹介する。
論文参考訳（メタデータ） (2025-01-09T17:47:34Z)
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)
Imitation Learning-based Implicit Semantic-aware Communication Networks: Multi-layer Representation and Collaborative Reasoning [68.63380306259742]
有望な可能性にもかかわらず、セマンティック通信とセマンティック・アウェア・ネットワーキングはまだ初期段階にある。本稿では,CDCとエッジサーバの複数層を連携させる,推論に基づく暗黙的セマンティック・アウェア通信ネットワークアーキテクチャを提案する。暗黙的セマンティクスの階層構造と個人ユーザのパーソナライズされた推論嗜好を考慮に入れたセマンティクス情報の多層表現を提案する。
論文参考訳（メタデータ） (2022-10-28T13:26:08Z)
Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
論文参考訳（メタデータ） (2022-05-22T07:11:57Z)
Interpretable part-whole hierarchies and conceptual-semantic relationships in neural networks [4.153804257347222]
本稿では、視覚的手がかりから部分全体階層を表現できるフレームワークであるAgglomeratorについて述べる。本研究では,SmallNORB,MNIST,FashionMNIST,CIFAR-10,CIFAR-100などの共通データセットを用いて評価を行った。
論文参考訳（メタデータ） (2022-03-07T10:56:13Z)

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。