論文の概要: High-Resolution Dynamic Functional Connectivity Generation with Graph-Variate Flow Matching
- arxiv url: http://arxiv.org/abs/2609.37037v1
- Date: Tue, 29 Sep 2026 08:47:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.340348
- Title: High-Resolution Dynamic Functional Connectivity Generation with Graph-Variate Flow Matching
- Title（参考訳）: グラフ可変フローマッチングによる高分解能動的結合性生成
- Abstract要約: 我々は高分解能な動的接続のためのクラス条件生成モデルを開発した。
GVD-CFMは, ホールドアウト分布の忠実度, 時間力学の保存, 合成と実の分類において, 最強の総合的な結果をもたらす。
- 参考スコア（独自算出の注目度）: 9.744098349911168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution dynamic functional connectivity (DFC) can reveal rapidly evolving brain-network interactions, but short temporal windows yield noisy, often low-rank covariance estimates. Graph-Variate Dynamic (GVD) connectivity addresses this by modulating fast instantaneous interactions with stable trial-level support. This suppresses spurious fluctuations and emphasizes persistent, informative connections. We show that the Hadamard construction lifts low-rank instantaneous connectivity from the positive-semidefinite to the positive-definite cone, keeping high-resolution trajectories on the SPD manifold without ridge regularisation or post-hoc projection. We introduce GVD-CFM, a class-conditional generative model for high-resolution dynamic connectivity. Each trial is represented as SPD GVD matrices on a product Riemannian manifold, then mapped through a global log-Euclidean diffeomorphism and an invertible temporal DCT basis. A Transformer-based conditional flow models all spectral modes jointly and generates the full trajectory non-autoregressively in Euclidean coordinates while preserving exact correspondence with valid SPD sequences. Retaining the full DCT basis also enables decoding on denser temporal grids without retraining. Across multiple EEG motor-imagery datasets, GVD-CFM delivers the strongest overall results for held-out distributional fidelity, temporal-dynamics preservation, and synthetic-to-real classification. It also remains computationally efficient relative to strong raw-signal and direct GVD-space generative baselines. GVD-CFM therefore provides a practical framework for realistic, temporally coherent, high-resolution brain-network generation with preserved manifold structure and resolution-flexible decoding from a single trained model.
- Abstract（参考訳）: 高分解能ダイナミック・ファンクショナル・コネクティビティ(DFC)は、急速に進化する脳とネットワークの相互作用を示すが、短い時間窓はノイズが多く、しばしば低ランクの共分散推定をもたらす。
Graph-Variate Dynamic (GVD)接続は、高速なインスタントインタラクションを安定したトライアルレベルのサポートで調整することで、この問題に対処する。
これにより急激な変動が抑制され、永続的で情報的な接続が強調される。
本研究では,アダマール構造が正定値から正定値の円錐への低ランク瞬時接続性を持ち上げ,隆起正規化やポストホック射影を伴わずにSPD多様体上の高分解能軌道を維持することを示す。
本稿では,高分解能動的接続のためのクラス条件生成モデルであるGVD-CFMを紹介する。
各試行は積リーマン多様体上のSPD GVD行列として表現され、大域的対数ユークリッド微分同相写像と可逆時間 DCT 基底を通して写像される。
Transformerベースの条件フローは、全てのスペクトルモードを共同でモデル化し、有効なSPDシーケンスと正確な対応を維持しながらユークリッド座標において完全な軌道を非自己回帰的に生成する。
完全なDCTベースの保持は、再トレーニングすることなく、より高密度な時間グリッドでのデコードを可能にする。
複数の脳波画像データセットを通して、GVD-CFMは、保持された分布の忠実度、時間力学の保存、合成から現実の分類において、最も強力な総合的な結果をもたらす。
また、強い原信号と直接GVD空間生成ベースラインに対して計算的に効率的である。
したがって、GVD-CFMは、保存された多様体構造と1つの訓練されたモデルからの可解デコードを備えた、現実的で、時間的に一貫性があり、高分解能な脳ネットワーク生成のための実践的なフレームワークを提供する。
関連論文リスト
- Structured Residual Connectivity Matters for Diffusion Transformers [91.88563792356344]
Diffusion Transformers (DiTs) は、高忠実度画像合成のためのスケーラブルなバックボーンとしての地位を確立している。
本稿では,DiTの残差接続を画像復調に最適化した能動的検索機構に変換することを提案する。
論文 参考訳（メタデータ） (2026-09-27T04:42:36Z) - Forget Less, Generalize More: Unifying Temporal and Structural Adaptation for Dynamic Graphs [9.230468469629345]
本稿では,時間的記憶と構造的コンテキストの両方を符号化した表現状態を維持する統一的なフレームワークを提案する。
この結果から,Dual-Scale Retentive Dynamics はリンク予測とノード分類の両タスクにおける最先端性能を一貫して達成できることが示唆された。
論文 参考訳（メタデータ） (2026-05-28T06:47:08Z) - Continuous-Time Distribution Matching for Few-Step Diffusion Distillation [57.28746398500951]
本稿では,CDM(Continuous-Time Distribution Matching)を導入し,DMDフレームワークを個別アンカーから連続最適化へ移行する。
まず、固定離散スケジュールをランダム長の動的連続スケジュールに置き換える。
第二に、学生の速度場を介して外挿された潜伏者に対してアクティブな軌道外マッチングを行う連続時間アライメント目的を提案する。
論文 参考訳（メタデータ） (2026-05-07T14:56:39Z) - Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。
5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
論文 参考訳（メタデータ） (2026-02-09T04:42:42Z) - Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。
拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。
LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
論文 参考訳（メタデータ） (2025-11-11T08:40:28Z) - Towards Robust and Generalizable Continuous Space-Time Video Super-Resolution with Events [71.2439653098351]
連続時空ビデオスーパーSTVSRは、高解像度で高フレームのビデオを任意の時間スケールで再構成する能力への関心が高まっている。
EvEnhancerは、イベントストリームにカプセル化された高時間および高ダイナミックレンジのユニークな特性を結合する新しいアプローチである。
提案手法は,OODスケールでの一般化性を維持しつつ,合成および実世界の両方のデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2025-10-04T15:23:07Z) - Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。
Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。
圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
論文 参考訳（メタデータ） (2025-09-18T03:51:06Z) - Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [4.5211402678313135]
LD-FPGの学習潜在空間内でのダイナミクスをシミュレーションするモジュールコンポーネントであるGraph Latent Dynamics Propagator (GLDP)を紹介する。
我々は,スコア誘導ランゲヴィン力学,(ii)クープマンに基づく線形作用素,(iii)自己回帰ニューラルネットワークの3種類のプロパゲータを比較した。
統合エンコーダ・プロパゲータ・デコーダ・フレームワーク内では、長い水平安定性、バックボーンとサイドチェーンのアンサンブルの忠実さ、機能的自由エネルギーの景観を評価する。
論文 参考訳（メタデータ） (2025-09-02T11:09:06Z) - Edge Continual Learning for Dynamic Digital Twins over Wireless Networks [68.65520952712914]
デジタルツイン(DT)は、現実世界とメタバースの間の重要なリンクを構成する。
本稿では,物理的双生児とそれに対応するサイバー双生児の親和性を正確にモデル化する新しいエッジ連続学習フレームワークを提案する。
提案するフレームワークは,破滅的忘れ込みに対して頑健な,高精度かつ同期的なCTモデルを実現する。
論文 参考訳（メタデータ） (2022-04-10T23:25:37Z)
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。