論文の概要: Beyond Site Agreement: Re-estimation for Brain Network Generalization
- arxiv url: http://arxiv.org/abs/2609.34611v1
- Date: Mon, 28 Sep 2026 08:39:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 11:53:31.859231
- Title: Beyond Site Agreement: Re-estimation for Brain Network Generalization
- Title（参考訳）: サイト合意を超えて:Brain Network Generalizationの再見積
- Abstract要約: rs-fMRIにおけるクロスサイト・アウト・オブ・ディストリビューション(OOD)の一般化は、しばしばタスク識別表現の学習に依存している。
Brain Network Re-estimation-Informed OOD Learning (BRIO) は、クロスサイトアライメントのガイドにインバースキャンFC再推定を使用するフレームワークである。
- 参考スコア（独自算出の注目度）: 15.145222390664449
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-site out-of-distribution (OOD) generalization in resting-state functional magnetic resonance imaging (rs-fMRI) often relies on learning task-discriminative representations from full-scan functional connectivity (FC) graphs and promoting invariance across source sites. However, FC graphs are estimated from finite, temporally correlated blood-oxygen-level-dependent (BOLD) sequences. Cross-site agreement therefore does not necessarily imply that predictive evidence remains supported under FC re-estimation within the same scan. In this paper, we propose Brain Network Re-estimation-Informed OOD Learning (BRIO), a framework that uses within-scan FC re-estimation to guide cross-site alignment. BRIO maps fullscan graphs and their re-estimates into consistently indexed connectome factors, enabling comparisons of their predictive contributions. It assesses re-estimation support from changes in these contributions relative to within-class subject variability and class separation. For each source-site pair and class, this task-calibrated support from both sites is combined with predictive relevance to form pairwise qualifications, which determine relative factor weights and overall alignment strength. Leave-one-site-out experiments on four real-world datasets (ABIDE, REST-metaMDD, SRPBS, and ABCD) show that BRIO consistently outperforms competitive baselines, with relative improvements of up to 3.8% in accuracy. These gains also persist under an alternative brain parcellation on ABIDE.
- Abstract（参考訳）: 静止状態機能共鳴画像(rs-fMRI)におけるOODの一般化は、フルスキャン機能接続(FC)グラフからのタスク識別表現の学習と、ソースサイト間の不変性の促進にしばしば依存する。
しかし、FCグラフは、有限で時間的に相関した血液酸素レベル依存(BOLD)配列から推定される。
したがって、クロスサイト合意は必ずしも、FCの再見積の下での予測的証拠が同じスキャンで支持されることを示唆するものではない。
本稿では,クロスサイトアライメントを誘導するために,インバースキャンFC再推定を用いたフレームワークであるBrain Network Re-estimation-Informed OOD Learning (BRIO)を提案する。
BRIOはフルスキャングラフとそれらの再見積を一貫してインデックス付けされたコネクトーム因子にマッピングし、予測貢献の比較を可能にする。
クラス内の変数とクラス分離に関して、これらのコントリビューションの変化から再見積サポートを評価する。
それぞれのソースサイトとクラスに対して、この2つのサイトからのタスクキャリブレーションされたサポートは、相対係数の重み付けと全体のアライメント強度を決定するペアの資格を形成するための予測的関連性と組み合わせられる。
4つの実世界のデータセット(ABIDE, REST-metaMDD, SRPBS, ABCD)に対する1つのサイトアウト実験は、BRIOが競争ベースラインを一貫して上回り、相対的に3.8%の精度で改善していることを示している。
これらの利得は、ABIDE上の代替の脳パーセレーションの下でも持続する。
関連論文リスト
- Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。
既存の方法はPBSに対して限られた有効性を示した。
PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
論文 参考訳（メタデータ） (2026-08-01T08:13:20Z) - Multi-Source Multi-View Graph Domain Adaptation with Hyperbolic Residual Encoding for Cross-Site MDD Identification from rs-fMRI [7.161131821089437]
静止状態磁気共鳴画像(rs-fMRI)からの大うつ病(MDD)のクロスサイト同定は、部位間分布シフトと不均一機能接続(FC)ビューによって妨げられる。
これらの見解は相補的な神経関係をとらえるが、異なる部位バイアスとグラフトポロジーを示す。
平均精度は73.60%,AUCは71.90%である。
論文 参考訳（メタデータ） (2026-07-31T15:30:16Z) - FederatedRSF : Federated Random Survival Forests for Partially Overlapping Medical Data [1.0303353919699785]
フェデレートRSFは、ランダムサバイバル森林を実装し、地元で訓練されたサバイバルツリーを集約し、各場所に特徴互換の木のみを再配布する。
GBSG2乳がんコホートにおけるFederatedRSFとScikit-survival packageの併用効果について検討した。
論文 参考訳（メタデータ） (2026-05-21T18:32:25Z) - When Brain Networks Travel: Learning Beyond Site [19.116206481048224]
機能的磁気共鳴画像(fMRI)のグラフベースの学習は、脳ネットワーク解析に強い可能性を示している。
既存の方法は、サイト条件のコンソーシアムが非病理的ショートカットを誘導するため、クロスサイト・アウト・オブ・ディストリビューション(OOD)設定で劣化する。
我々は、見知らぬ場所にまたがる脳ネットワーク学習のための統合フレームワークであるクロスサイトOOD Robust Brain nEtwork (CORE)を提案する。
論文 参考訳（メタデータ） (2026-05-07T11:35:34Z) - Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - Detecting Concept Drift in Evolving Malware Families Using Rule-Based Classifier Representations [0.22940141855172028]
本研究は,決定木ルールセットを用いたマルウェア分類におけるドリフト検出のための構造的アプローチを提案する。
この手法は、固定インターバルとクラスタリングベースのウィンドウリングを用いて、6つのマルウェアファミリーで評価される。
その結果,機能レベルのピアソン相関による固定2ヶ月のウィンドウリングが最も信頼性の高い構成であることが示唆された。
論文 参考訳（メタデータ） (2026-04-24T15:00:57Z) - FedSQ: Optimized Weight Averaging via Fixed Gating [1.2058208023553034]
フェデレーション学習は、生データを共有することなく、組織間で協調的なトレーニングを可能にする。
本稿では、DualCopyに基づくトランスファードニューラルフェデレーションであるFedSQ(Federated Structure-Quantitative Learning)を提案する。
ゲーティングの固定は、学習を不均一な分割下での凝集を安定化するアフィン内部の精製に還元する。
論文 参考訳（メタデータ） (2026-04-03T11:54:23Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Learning Calibrated Uncertainties for Domain Shift: A Distributionally
Robust Learning Approach [150.8920602230832]
ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。
特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。
提案手法は下流タスクに有利な校正不確実性を生成する。
論文 参考訳（メタデータ） (2020-10-08T02:10:54Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z)
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。