論文の概要: FAST-Brain: A Flow-Aligned Spatio-Temporal Surrogate Brain Model
- arxiv url: http://arxiv.org/abs/2609.34354v1
- Date: Mon, 28 Sep 2026 05:27:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 21:33:15.74167
- Title: FAST-Brain: A Flow-Aligned Spatio-Temporal Surrogate Brain Model
- Title（参考訳）: FAST-Brain: フローアラインな時空間サロゲート脳モデル
- Abstract要約: FAST-Brainは、清潔な血液酸素レベル依存(BOLD)シグナルを直接予測するフローアラインな生成フレームワークである。
機能的接続性、効果的な接続性、暗黙的な低次元信号部分空間の回復における最先端性能を実現する。
- 参考スコア（独自算出の注目度）: 11.87988328655121
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling resting-state functional magnetic resonance imaging (rs-fMRI) data is crucial for understanding brain-wide neural activity. However, traditional methods struggle to capture complex temporal dynamics over long horizons, to account for the brain's anatomical spatial structure, and to model high-dimensional ambient signals that lie on a low-dimensional intrinsic subspace. We propose FAST-Brain, a unified flow-aligned spatio-temporal surrogate brain model that addresses all three challenges. At its core is a flow-aligned generative framework that directly predicts the clean blood-oxygen-level-dependent (BOLD) signal, paired with a graph convolutional network that captures spatial structural constraints and a Transformer that models long-range temporal dependencies. Theoretically, we show that under a low-dimensional subspace assumption, the approximation error of our model scales with the intrinsic dimension rather than the ambient dimension, which justifies our direct modeling of the BOLD signal. Extensive experiments on synthetic and Human Connectome Project datasets demonstrate that FAST-Brain achieves state-of-the-art performance in recovering functional connectivity, effective connectivity, and the implicit low-dimensional signal subspace.
- Abstract（参考訳）: 脳全体での脳活動を理解するには、静止状態機能的磁気共鳴画像(rs-fMRI)のモデリングが不可欠である。
しかし、従来の手法では、長い地平線上の複雑な時間的ダイナミクスを捉え、脳の解剖学的空間構造を考慮し、低次元の内在的な部分空間上にある高次元の環境信号をモデル化するのに苦労している。
本稿では,FAST-Brainを提案する。これは3つの課題すべてに対処する,フローアラインな時空間的代理脳モデルである。
コアとなるフローアラインな生成フレームワークは、クリーンな血液酸素レベル依存(BOLD)シグナルを直接予測し、空間的構造的制約をキャプチャするグラフ畳み込みネットワークと、長距離の時間的依存関係をモデル化するTransformerとを組み合わせている。
理論的には、低次元部分空間仮定の下では、我々のモデルの近似誤差は周囲次元よりも内在次元でスケールし、BOLD信号の直接モデリングを正当化する。
合成およびヒューマンコネクトームプロジェクトのデータセットに関する大規模な実験により、FAST-Brainは機能的接続性、効果的な接続性、暗黙の低次元信号部分空間の回復において最先端のパフォーマンスを達成することが示された。
関連論文リスト
- BrainDyn: A Sheaf Neural ODE for Generative Brain Dynamics [8.837573450847225]
構造化脳グラフ上での連続時間ダイナミクスのためのせん断神経常微分方程式(neural ODE)モデルであるBrainDynを導入する。
BrainDynは、長期記憶(LSTM)モデルを使用して、各脳領域の最近の活動履歴をエンコードする。
結果の表現は、シリコ摂動予測を含む下流タスクをサポートする。
論文 参考訳（メタデータ） (2026-05-19T04:03:01Z) - Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。
近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。
物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文 参考訳（メタデータ） (2026-02-02T14:13:28Z) - Beyond Grid-Locked Voxels: Neural Response Functions for Continuous Brain Encoding [4.586830141349792]
fMRIデータは3Dボリュームのボクセルとして取得され、各ボクセルは脳内の空間的位置が決定される。
従来の符号化モデルは、しばしばこの体積を1次元ベクトルに平坦化し、ボクセル応答を独立した出力として扱う。
本稿では,fMRIの活動を解剖学的空間上の連続関数としてモデル化するフレームワークであるNeural Response Function (NRF)を紹介する。
論文 参考訳（メタデータ） (2025-10-07T18:26:53Z) - BrainATCL: Adaptive Temporal Brain Connectivity Learning for Functional Link Prediction and Age Estimation [0.33748750222488655]
本稿では、適応的時間的脳接続学習のための非教師なしノンパラメトリックフレームワークBrainATCLを提案する。
提案手法は,新たに追加されたエッジのレートに基づいて,スナップショット毎のルックバックウィンドウを動的に調整する。
グラフシーケンスはGINE-Mamba2バックボーンを用いて符号化され、静止状態fMRIデータにおける動的機能接続の時空間表現を学習する。
論文 参考訳（メタデータ） (2025-08-09T21:18:25Z) - 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) - BrainSymphony: A Transformer-Driven Fusion of fMRI Time Series and Structural Connectivity [2.3486335708866606]
BrainSymphonyは、ニューロイメージングのための軽量でパラメータ効率の良い基礎モデルである。
かなり小さなパブリックデータセットで事前トレーニングされた状態で、最先端のパフォーマンスを実現する。
BrainSymphonyは、アーキテクチャを意識したマルチモーダルモデルがより大きなモデルを上回る可能性があることを証明している。
論文 参考訳（メタデータ） (2025-06-23T06:00:21Z) - Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。
前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。
これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
論文 参考訳（メタデータ） (2025-06-13T04:14:38Z) - 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) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z)
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。