論文の概要: Variational Low-rank Tensor Decomposition for Multisubject Spatiotemporal Data Analysis

• arxiv url: http://arxiv.org/abs/2607.22262v1
• Date: Fri, 24 Jul 2026 12:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.127057
• Title: Variational Low-rank Tensor Decomposition for Multisubject Spatiotemporal Data Analysis
• Title（参考訳）: 多目的時空間データ解析のための変分低ランクテンソル分解
• Authors: Laura M. Montaldo, Ricardo A. Borsoi, Sebastian Miron, Tulay Adali,
• Abstract要約: 本稿では、テンソル因子化生成モデルと構造化前処理を組み合わせた空間変動テンソル分解(ST-VTD)フレームワークを提案する。 提案手法は,古典的および確率的分解ベンチマークと比較して遅延係数の回復率を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 2.3799118675414226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling shared and subject-specific structure in multisubject spatiotemporal data remains challenging, particularly in neuroimaging, where both spatial and temporal patterns exhibit rich variability across subjects. Existing matrix and tensor decompositions provide interpretable factorizations, but rely on fixed multilinear structures or coupling schemes that may limit their flexibility in capturing complex variability. In this work, we introduce a spatiotemporal variational tensor decomposition (ST-VTD) framework that combines a tensor factorization generative model with structured priors to jointly represent spatial maps and temporal dynamics. Spatial factors are regularized to promote a low-rank structure inspired by the LL1 decomposition, while temporal factors are modeled using a learned Long short-term memory (LSTM)-based prior, enabling flexible and adaptive dynamics. Posterior inference is performed using an amortized variational formulation by unrolling iterations of an optimization algorithm, leading to an interpretable and parameter-efficient architecture. The proposed inference framework employs a warm-start strategy based on group independent component analysis, which we found to improve optimization performance. Experiments on a realistic synthetic functional MRI (fMRI) dataset demonstrate that the proposed approach significantly improves latent factor recovery compared with representative classical and probabilistic decomposition benchmarks.
• Abstract（参考訳）: 多目的時空間データにおける共有構造と主題固有の構造をモデル化することは、特にニューロイメージングにおいて困難であり、空間的パターンと時間的パターンの両方が被写体間の豊富な変動を示す。 既存の行列とテンソル分解は解釈可能な分解を提供するが、複雑な変数を捉える際の柔軟性を制限する固定された多重線型構造やカップリングスキームに依存している。 本研究では,時空間マップと時空間ダイナミクスを結合的に表現するために,テンソル因子化生成モデルと構造化前処理モデルを組み合わせた時空間変動テンソル分解(ST-VTD)フレームワークを提案する。 空間的要因はLL1分解にインスパイアされた低ランク構造を促進するために正規化され、時間的要因は学習されたLong短期記憶(LSTM)ベースでモデル化され、柔軟で適応的なダイナミクスが実現される。 最適化アルゴリズムの繰り返しを解き放つことで、アモータイズされた変分法を用いて後部推論を行い、解釈可能かつパラメータ効率の良いアーキテクチャを実現する。 提案する推論フレームワークは,グループ独立成分分析に基づくウォームスタート戦略を採用し,最適化性能の向上を図った。 現実的な合成機能的MRI(fMRI)データセットの実験により、提案手法は、典型的な古典的および確率的分解ベンチマークと比較して遅延係数の回復を著しく改善することを示した。

関連論文リスト

• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
  SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。 多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。 全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-04-19T09:55:28Z)
• ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
  低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。 常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。 ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
  論文  参考訳（メタデータ） (2026-02-07T10:19:36Z)
• Graph Neural Regularizers for PDE Inverse Problems [62.49743146797144]
  本稿では,偏微分方程式(PDE)によって支配される多種多様な不測の逆問題を解くための枠組みを提案する。 有限要素法(FEM)を用いて前方問題の数値解法 我々は、物理に着想を得たグラフニューラルネットワークを学習正規化器として採用し、標準アプローチの頑健で解釈可能な、一般化可能な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-10-23T21:43:25Z)
• 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)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Factorized Fusion Shrinkage for Dynamic Relational Data [16.531262817315696]
  本稿では,すべての分解因子がグループ単位の核融合構造に対して動的に縮小される因子化核融合収縮モデルについて考察する。 提案手法は、推定された動的潜在因子の比較とクラスタリングにおいて、多くの好ましい特性を享受する。 本稿では、最適後部推論と計算スケーラビリティのバランスをとる構造的平均場変動推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T21:03:40Z)
• Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression [17.158289775348063]
  カーネル化されたテンソル回帰(BKTR)は、低ランクの時間構造を持つモデリングプロセスに対する新しいスケーラブルなアプローチと考えられる。 そこで本研究では,BKTRのモデル推定と推定において,BKTRの優れた性能と効率性を確認した。
  論文  参考訳（メタデータ） (2021-08-31T19:22:23Z)
• Optimization with Momentum: Dynamical, Control-Theoretic, and Symplectic Perspectives [97.16266088683061]
  この論文は、運動量に基づく最適化アルゴリズムにおいてシンプレクティックな離散化スキームが重要であることを厳格に証明している。 これは加速収束を示すアルゴリズムの特性を提供する。
  論文  参考訳（メタデータ） (2020-02-28T00:32:47Z)

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。