論文の概要: GRFBrain: Graph-Structured Rectified Flows for EEG Dynamic Modeling

• arxiv url: http://arxiv.org/abs/2609.37934v1
• Date: Tue, 29 Sep 2026 16:18:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.735547
• Title: GRFBrain: Graph-Structured Rectified Flows for EEG Dynamic Modeling
• Title（参考訳）: GRFBrain:脳波動的モデリングのためのグラフ構造化整流流れ
• Abstract要約: 本稿では, 残留輸送から条件平均予測を分離するグラフ構造残流フレームワークを提案する。 条件速度場は、ソースサンプルを将来のグラフ残基に輸送し、輸送時間と物理的脳波時間とを明確に区別する。
• 参考スコア（独自算出の注目度）: 31.35440816022451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting time-varying functional connectivity from electroencephalography (EEG) requires modeling both history-dependent trends and structured variability across channels. Conditional flow matching provides a framework for distributional forecasting, yet it remains unclear whether graph-informed source distributions offer practical advantages over isotropic noise and strong deterministic predictors. We introduce a graph-structured residual flow framework that separates conditional mean prediction from stochastic residual transport. A history-only predictor estimates the future connectivity graph, while a graph Gaussian source encodes dependencies derived from past connectivity through a Laplacian-based covariance. A conditional velocity field transports source samples to future graph residuals, with transport time explicitly distinguished from physical EEG time. Our study identifies the conditions and controls needed to distinguish useful residual transport from improvements attributable to deterministic prediction, learned representations, and sampling effects.
• Abstract（参考訳）: 脳波(EEG)からの時間変化機能接続の予測には、履歴に依存した傾向とチャネル間の構造的変動の両方をモデル化する必要がある。 条件付きフローマッチングは分布予測の枠組みを提供するが、グラフインフォームドソース分布が等方性雑音や強い決定論的予測器に対して実用的な利点をもたらすかどうかは不明である。 本稿では,確率的残留輸送から条件平均予測を分離するグラフ構造残流フレームワークを提案する。 履歴のみの予測器は将来の接続グラフを推定し、グラフガウス情報源はラプラシアンベースの共分散を通じて過去の接続から派生した依存関係を符号化する。 条件速度場は、ソースサンプルを将来のグラフ残基に輸送し、輸送時間と物理的脳波時間とを明確に区別する。 本研究は, 決定論的予測, 学習表現, サンプリング効果に起因する改善から, 有用な残留輸送を区別するために必要な条件と制御を明らかにした。

関連論文リスト

• GARDiff: Graph-Aligned Residual Diffusion for Probabilistic Multivariate Time-Series Forecasting [30.323771207824166]
  最近の非結合拡散フレームワークは、予測を決定論的予測と残留生成に分離している。 この直接的構造移動は信頼できないことを示す。 GARDiff, Graph-Aligned Residual Diffusion frameworkを提案する。
  論文  参考訳（メタデータ） (2026-09-29T14:36:16Z)
• Stability of Flow Models for Graph Signals [11.329941453877444]
  グラフニューラルネットワーク(GNN)による連続正規化フローモデルの解析 生成した確率分布に明らかな安定性境界を導出する。 ブロックモデルグラフ上の合成滑らかな信号と脳コネクトーム上の実世界のfMRI信号を用いた実験は、この境界指向のアプローチは、出力品質を犠牲にすることなく、構造ノイズに対してより堅牢であることを示した。
  論文  参考訳（メタデータ） (2026-07-08T15:04:39Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
  自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。 近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。 時空間構造因果モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-19T01:39:21Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting [12.284512000306314]
  交通予測手法に外部要因を統合するための属性拡張時間グラフ畳み込みネットワーク(AST-GCN)を提案する。 従来の交通予測手法と比較して,交通予測タスクの外部情報を考慮した場合の有効性を示す。
  論文  参考訳（メタデータ） (2020-11-22T12:49:55Z)

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。