論文の概要: Identifying Neural Source Dynamics from Unknown Local Interventions
- arxiv url: http://arxiv.org/abs/2609.35379v1
- Date: Mon, 28 Sep 2026 15:14:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 05:59:17.365736
- Title: Identifying Neural Source Dynamics from Unknown Local Interventions
- Title（参考訳）: 未知の局所干渉からのニューラル・ソース・ダイナミクスの同定
- Abstract要約: 既知の解剖学的フォワードモデルでさえ、ソース状態空間の一部のみを励起する実験は、力学を未同定のまま残している。
未知の局所的なメカニズムの変化が、不足した情報を供給できることが示される。
- 参考スコア（独自算出の注目度）: 7.799205884486237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electroencephalography (EEG) records mixtures of brain-source activity. Even with a known anatomical forward model, experiments that excite only part of the source-state space leave the dynamics unidentified, and repetition cannot resolve the ambiguity. We show that unknown local mechanism changes can supply the missing information. We consider linear dynamics among fixed anatomical sources with known source-state initialization patterns. Changing one source's update rule for one transition leaves a rank-one, source-specific signature in subsequent EEG: subtracting matched baseline responses isolates it, and the forward model identifies the source and calibrates its response history. Combining these histories with initialization responses recovers source interactions without baseline reachability and without first identifying the intervention coefficients. We establish sufficient recovery conditions, a direct estimator, and a noise-sensitivity bound conditional on correct source labels. Simulated EEG on anatomy derived from magnetic resonance imaging confirms the information gain: with baseline excitation confined to four of twelve source coordinates, eight unknown changes recover all dynamics in 32/32 systems, whereas baseline realization, baseline regression through an invertible forward model, and changes that leave the tested states unexposed all fail, and explicitly constructed alternative dynamics reproduce every baseline mean. Where baseline information suffices, direct reconstruction is also more reliable than a matched-information spectral estimator. Nonlocal changes and forward-model error limit accuracy even when source labels are correct.
- Abstract（参考訳）: 脳波(EEG)は脳活動の混合を記録する。
既知の解剖学的フォワードモデルであっても、源状態空間の一部のみを励起する実験は力学を未同定のままにし、繰り返しは曖昧さを解決できない。
未知の局所的なメカニズムの変化が、不足した情報を供給できることが示される。
我々は、固定された解剖学的ソース間の線形力学と、既知のソース状態初期化パターンについて考察する。
あるソースの更新ルールを1つのトランジションに変更すると、次のEEGでランクワンのソース固有のシグネチャが残る: マッチしたベースライン応答の減算は、それを分離し、フォワードモデルはソースを特定し、応答履歴を校正する。
これらの履歴と初期化応答を組み合わせることで、ベースライン到達性がなく、最初に干渉係数を特定できないソースの相互作用が回復する。
我々は,適切な音源ラベルに十分な回復条件,直接推定器,雑音感度境界条件を確立する。
12のソース座標のうち4つに制限されたベースライン励起を持つと、8つの未知の変化は32/32系の全てのダイナミクスを回復するが、ベースライン実現、非可逆フォワードモデルによるベースライン回帰、テストされた状態を残した変更、そして明示的に構築された代替ダイナミクスは全てのベースライン平均を再現する。
ベースライン情報が十分である場合、直接再構成は一致した情報スペクトル推定器よりも信頼性が高い。
非局所的な変更とフォワードモデルエラー制限の精度は、ソースラベルが正しい場合であっても正確である。
関連論文リスト
- Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。
我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
論文 参考訳（メタデータ） (2026-09-14T09:39:13Z) - RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation [2.589687124983865]
マルチ時間系列計算は、複数の変数からなる時間データの欠落した値を復元することを目的としている。
この問題は、医療監視、交通ネットワーク、エネルギーシステムといった現実世界のアプリケーションの中心である。
近年の拡散型アプローチは,反復的 denoising による欠落値の生成を学習することで,確率論的計算の可能性を強く示している。
論文 参考訳（メタデータ） (2026-09-10T14:53:38Z) - Taming foundation model with invariance-oriented pre-training for broad-spectrum EEG analysis across signal-level, brain-state, and brain-health tasks [46.533103231728724]
INCEPTは11,000時間以上の非競合型臨床脳波をトレーニングした、不変指向の脳波基礎モデルである。
買収後の脳波分析の3段階にまたがる10個のデータセットの広スペクトルベンチマークでINCEPTを評価した。
論文 参考訳（メタデータ） (2026-08-25T14:20:02Z) - DNA: Dual-stage Native Attribution for Generated Image Source Tracing [75.65470221927096]
既存のプロアクティブな方法は、透かしの埋め込みやモデル修正に依存している。
DNAは、ニューラルネットワークのトレーニングを追加せずに、この階層に従う粗大なフレームワークである。
実験の結果、DNAは89.11%のエンドツーエンドの属性精度を達成している。
論文 参考訳（メタデータ） (2026-07-15T10:27:52Z) - Out-of-distribution Neural Inference in Dynamical Ising Models [0.30586855806896035]
データ駆動型トレーニングは、トポロジと温度変化の下で異なる統計戦略を生成することを示す。
高い分布精度と明らかな分布外分布は、必ずしも学習された動的構造規則を暗示するとは限らない。
本結果は,物理逆問題における標準データ駆動学習の具体的な障害モードを同定する。
論文 参考訳（メタデータ） (2026-07-03T07:31:30Z) - PRISM: Exploring Heterogeneous Pretrained EEG Foundation Model Transfer to Clinical Differential Diagnosis [5.616707402426108]
PRISMは2つの軸に沿ってアブレーションされたマスク付きオートエンコーダである。
狭義のEU/USコーパスを,多施設の南アジア臨床記録を付加した地理的に多様なプールと比較した。
PRISMはタスクの大部分でREVE(92データセット、6万時間以上)にマッチする。
論文 参考訳（メタデータ） (2026-02-28T19:50:28Z) - Learning Single Index Models with Diffusion Priors [11.399577852929502]
拡散モデル(DM)は、多彩で高品質な画像を生成できることを顕著に示している。
DMの1ラウンドの無条件サンプリングと(部分的な)逆変換しか必要としない効率的な再構成法を提案する。
論文 参考訳（メタデータ） (2025-05-27T12:50:04Z) - Bayesian Model Parameter Learning in Linear Inverse Problems: Application in EEG Focal Source Imaging [49.1574468325115]
逆問題は、関心のシグナルを直接観測できない限定データ問題として記述することができる。
未知の非線形モデルパラメータを含む線形逆問題について検討した。
ベイズモデルに基づく学習手法を用いて,信号の回復とモデルパラメータの推定を行った。
論文 参考訳（メタデータ） (2025-01-07T18:14:24Z) - Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。
生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。
本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
論文 参考訳（メタデータ） (2023-12-07T11:03:42Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z)
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。