論文の概要: Progression as Latent Drift: Generative Forecasting of Slow-Evolving Pathologies

• arxiv url: http://arxiv.org/abs/2607.08270v1
• Date: Thu, 09 Jul 2026 09:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.485223
• Title: Progression as Latent Drift: Generative Forecasting of Slow-Evolving Pathologies
• Title（参考訳）: 遅発性ドリフトの進展 : 緩やかに進行する病態の予測
• Abstract要約: ゆっくり進化する神経変性疾患の将来の解剖を予測すれば、より早期、より標的となる介入を可能にし、臨床試験設計を改善することができる。 Latent Driftは、完全な解像度の解剖学ではなく、圧縮された意味表現の変化を学ぶ進歩的な生成フレームワークである。 縦3次元脳MRI実験では、潜伏ドリフトは拡散と自己回帰トランスフォーマーベースラインよりも患者固有の神経予測を改善することが示された。
• 参考スコア（独自算出の注目度）: 25.820056271749788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting the future anatomy of slow-evolving neurodegenerative diseases could enable earlier, more targeted intervention and improve clinical trial design, but it remains challenging because true progression signals are subtle in longitudinal MRI. In this low-signal regime, transferring modern generative sequence models directly is unreliable: training is dominated by stable baseline anatomy and confounded by dense, sample-specific nuisance variation. We first provide a theoretical analysis that explains these failures through two modes. Identity collapse occurs when optimization is driven toward reproducing the current anatomy, which prevents the model from learning faint temporal change. The continuous interpolation trap arises when standard smooth networks cannot separate localized biological drift from pervasive noise, which leads to spurious changes that diffuse across the volume. To address both issues, we propose Latent Drift, a progressive generative framework that learns change in a compressed semantic representation rather than synthesizing full-resolution anatomy. This design removes pixel-level identity from the prediction target and concentrates model capacity on progression-relevant dynamics. We further apply Finite Scalar Quantization to the learned change representation, which suppresses small, high-frequency nuisance fluctuations while preserving consistent structural drift. Experiments on longitudinal 3D brain MRI show that Latent Drift improves patient-specific neuro-forecasting over diffusion and autoregressive transformer baselines across generative fidelity and clinically relevant evaluation metrics. Project page: \href{https://cutepkq.github.io/latent-drift}{https://cutepkq.github.io/latent-drift}.
• Abstract（参考訳）: 遅発性神経変性疾患の将来の解剖を予測することは、より早期に、より標的となる介入を可能にし、臨床試験設計を改善することができるが、真の進行信号が縦MRIでは微妙であるため、依然として困難である。 トレーニングは安定なベースライン解剖によって支配され、密度の高いサンプル特異なニュアンス変動によって構成される。 まず、これらの失敗を2つのモードで説明する理論分析を行う。 アイデンティティの崩壊は、最適化が現在の解剖学を再現するために推進されるときに起こり、モデルが時間的変化を微妙に学習するのを防ぐ。 連続的な補間トラップは、標準的な滑らかなネットワークが局所的な生物学的なドリフトを広範にノイズから切り離すことができず、体積が拡散する急激な変化を引き起こすときに生じる。 両問題に対処するため,全分解能解剖学を合成するのではなく,圧縮意味表現の変化を学習する進行的生成フレームワークであるLatent Driftを提案する。 この設計では、予測対象から画素レベルの同一性を取り除き、進行関連力学にモデルキャパシティを集中させる。 さらに、学習した変化表現に有限スカラー量子化を適用し、一貫性のある構造的ドリフトを保ちながら、小さくて高周波なニュアンス変動を抑制する。 縦3次元脳MRIでの実験では、潜在ドリフトは患者固有の神経予知を改善し、自己回帰トランスフォーマーベースラインは、生成的忠実度と臨床的に関連性のある評価指標を横断することが示された。 プロジェクトページ: \href{https://cutepkq.github.io/latent-drift}{https://cutepkq.github.io/latent-drift}

関連論文リスト

• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。 ほとんどの被験者固有の脳構造は、時間とともに安定している。 ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model [4.65021411381981]
  ほとんどの縦方向のニューロイメージングデータセットは時間的にスパースで、被験者1人につき数回の追跡スキャンを行う。 本研究では, 時間とともに経時的解剖を効果的にモデル化し, 合成する新しい4D(3DxT)拡散型生成フレームワークを提案する。 本手法は、解剖学的に正確で、時間的整合性があり、臨床的に意味のある脳の軌跡を生成する際に、最先端のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2026-04-24T16:33:48Z)
• SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease [18.4869028609927]
  本稿では不規則な長手fMRIコネクトームモデリングのためのグラフ匿名微分方程式(SDE)による時空間ニューラルネットワークを提案する。 このフレームワークは、まずSDEベースの再構成モジュールを使用して、不規則な観測から連続的な潜航軌道を復元する。 時間的進化をさらにモデル化するために、ハイパーグラフパラメータは、スキャン間隔で条件付けられたSDE制御されたニューロイメージングダイナミクスを介して進化する。
  論文  参考訳（メタデータ） (2026-03-20T19:31:05Z)
• Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
  スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。 我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
  論文  参考訳（メタデータ） (2025-12-05T07:05:53Z)
• Stable-Drift: A Patient-Aware Latent Drift Replay Method for Stabilizing Representations in Continual Learning [3.1965482926781843]
  ディープラーニングモデルが新しいデータで逐次トレーニングされる場合、前もって学習したタスクのパフォーマンスが突然低下する傾向があります。 本稿では,高表現不安定なサンプルを識別・再生する潜在ドリフト誘導リプレイ法を提案する。 本手法は, 直感的な微調整やランダムなリプレイに比べて, 忘れを著しく低減する。
  論文  参考訳（メタデータ） (2025-11-27T16:49:50Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• New Evidence of the Two-Phase Learning Dynamics of Neural Networks [59.55028392232715]
  時間ウィンドウ全体にわたってネットワーク状態を比較するインターバルワイズ・パースペクティブを導入する。 摂動に対するネットワークの応答はカオスから安定への移行を示す。 また、この遷移点の後に、モデルの関数軌道は狭い円錐形の部分集合に制限される。
  論文  参考訳（メタデータ） (2025-05-20T04:03:52Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Stochastic Gradient Descent-Induced Drift of Representation in a Two-Layer Neural Network [0.0]
  脳や人工ネットワークで観察されているにもかかわらず、ドリフトのメカニズムとその意味は完全には理解されていない。 ピリフォーム大脳皮質における刺激依存性のドリフトに関する最近の実験結果に触発されて、我々はこの現象を2層線形フィードフォワードネットワークで研究するために理論とシミュレーションを用いた。
  論文  参考訳（メタデータ） (2023-02-06T04:56:05Z)

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。