論文の概要: BrainLinear: A Linear Model for Brain Network Analysis in Sparse Tangent Subspaces

• arxiv url: http://arxiv.org/abs/2608.15266v1
• Date: Sat, 15 Aug 2026 14:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.243818
• Title: BrainLinear: A Linear Model for Brain Network Analysis in Sparse Tangent Subspaces
• Title（参考訳）: BrainLinear: スパース・タンジェント・サブスペースにおける脳ネットワーク解析のための線形モデル
• Abstract要約: BrainLinearは病気を識別するコネクトームパターンをマイニングするための軽量なフレームワークである。 高いGNNやTransformerのベースラインを、そのコストのごく一部で一致または超える。 ランタイムとピークGPUメモリを、AUCの最も近いベースラインと比較して84.0%$と6.8.4%$に削減する。
• 参考スコア（独自算出の注目度）: 26.68112538190199
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Functional connectome analysis examines brain-region interactions to understand and identify disorders such as autism spectrum disorder and Alzheimer's disease. Existing methods typically use GNNs and Transformers to model the full functional connectivity matrix. However, processing tens of thousands of connections introduces redundancy and noise, increases computational cost, and limits connection-level interpretability. This raises a central question: do we really need complex interaction modeling, or is identifying a small set of disease-relevant connectivity patterns sufficient? To answer this question, we propose BrainLinear, a lightweight geometry-aware framework for mining disease-discriminative connectome patterns. BrainLinear first maps each functional connectivity matrix to a shared tangent space centered at the Fréchet mean of the training set, capturing subject-specific deviations while respecting matrix geometry. It then scores each ROI-pair tangent direction by its classification contribution and disease--control difference, retaining Top-$K$ directions as a compact representation. Finally, a shallow multilayer perceptron performs classification on the selected representation. Experiments on ABIDE and ADNI show that BrainLinear matches or exceeds strong GNN and Transformer baselines at a fraction of their cost: it improves AUC and ACC over the best baseline for each metric by up to $3.54$ and $1.39$ percentage points, while reducing runtime and peak GPU memory by $84.0\%$ and $68.4\%$ relative to the closest baseline in AUC. The selected directions are directionally consistent with between-group displacements and organized across major functional systems, supporting connection-level interpretation.
• Abstract（参考訳）: 機能コネクトーム分析は、自閉症スペクトラム障害やアルツハイマー病などの疾患を理解し識別するために、脳領域の相互作用を調べる。 既存の手法では、GNNとTransformerを使用して完全な機能接続行列をモデル化する。 しかし、数万の接続を処理すると冗長性とノイズが発生し、計算コストが増加し、接続レベルの解釈可能性が制限される。 複雑な相互作用モデリングが必要なのか、それとも、病気に関連する接続パターンの小さなセットを十分に特定する必要があるのか? 本稿では,病原性コネクトームパターンをマイニングするための軽量な幾何学的枠組みであるBrainLinearを提案する。 BrainLinearはまず、各機能接続行列をトレーニングセットのフレシェ平均を中心とする共有接空間にマッピングし、行列幾何学を尊重しながら、対象固有の偏差をキャプチャする。 次に、それぞれのROI対接方向を、その分類貢献と疾患制御差によってスコア付けし、Top-$K$方向をコンパクト表現として保持する。 最後に、浅い多層パーセプトロンが選択された表現の分類を行う。 ABIDE と ADNI の実験では、BrainLinear は GNN と Transformer のベースラインに多少のコストで適合し、AUC と ACC を各メトリックの最良のベースラインで最大3.54$ と $1.39$ のパーセンテージで改善し、実行時とピークGPU メモリを AUC の最も近いベースラインに対して 84.0\% と 68.4\% のコストで削減している。 選択された方向は、グループ間の変位と方向整合し、主要な機能系にまたがって整理され、接続レベルの解釈をサポートする。

関連論文リスト

• Scaling Laws and Tradeoffs in Recurrent Networks of Expressive Neurons [27.855778669417592]
  皮質ニューロンは複雑で、マルチタイムスケールのプロセッサで、リカレント回路に接続されている。 機械学習は主に、初期のニューラルネットワーク理論から継承された、非常に単純なユニットのモデルを構築する。 本稿では,Expressive Memory (ELM) ニューロンからリカレント層を構築するEMMネットワークを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T12:29:33Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Towards understanding neural collapse in supervised contrastive learning with the information bottleneck method [26.874007846077884]
  ニューラル崩壊(Neural collapse)とは、パフォーマンスプレートを超えてトレーニングされたディープニューラルネットワークの最終層におけるアクティベーションの幾何学である。 分類問題の最適IB解に近づくと、神経崩壊は特に良い一般化をもたらすことを実証する。
  論文  参考訳（メタデータ） (2023-05-19T18:41:17Z)
• Brain Network Transformer [13.239896897835191]
  脳ネットワーク解析のためのトランスフォーマーモデルについて検討する。 データの特徴によって駆動される私たちは、脳ネットワークを、一定のサイズと順序のノードを持つグラフとしてモデル化します。 我々は、ABIDEの大規模脳ネットワークデータセットとして唯一公開されているものについて、評価パイプラインを再標準化する。
  論文  参考訳（メタデータ） (2022-10-13T02:30:06Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating Connectional Brain Templates [0.0]
  接続脳テンプレート(CBT)は、脳ネットワークの集団の正規化されたグラフベースの表現です。 Deep Graph Normalizer(DGN)は、MVBNの個体群を正規化する最初の幾何学的ディープラーニングアーキテクチャである。 DGNは、被験者を横断する非線形パターンを捉えながら、マルチビュー脳ネットワークを融合する方法を学ぶ。
  論文  参考訳（メタデータ） (2020-12-28T08:01:49Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Multi-View Brain HyperConnectome AutoEncoder For Brain State Classification [0.0]
  本稿では,近傍のアルゴリズムに基づいて,各脳の視線に対するハイパーコネクトームを構築するための新しい手法を提案する。 また,マルチビュー・ハイパーコネクトーム上で直接動作するハイパーコネクトーム・オートエンコーダ・フレームワークを設計する。 実験の結果,HCAEによる脳内埋め込みが脳状態の分類に有効であることが判明した。
  論文  参考訳（メタデータ） (2020-09-24T08:51:44Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。