論文の概要: Sensor Geometry as a Flow-Matching Prior for Multi-Channel Brain Signals

• arxiv url: http://arxiv.org/abs/2610.08355v1
• Date: Tue, 06 Oct 2026 13:44:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.015821
• Title: Sensor Geometry as a Flow-Matching Prior for Multi-Channel Brain Signals
• Title（参考訳）: マルチチャネル脳信号のフローマッチ前駆体としてのセンサ幾何学
• Abstract要約: フローマッチングモデルは、データの相関構造が事前に不明な場合の標準選択である等方ガウス源から始まる。 代わりに、この構造をソースに配置するため、流れはチャネル非依存ノイズではなく、空間的に一貫性のあるパターンから始まる。 8つのEEGデータセットと4つのフローマッチング方法にまたがって、グラフMatérnソースは生成された信号と実際の信号のスペクトル差を低くする。
• 参考スコア（独自算出の注目度）: 4.326237135736624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow-matching models start from an isotropic Gaussian source, the standard choice when the correlation structure of the data is unknown in advance. For multi-channel brain recordings, however, part of this structure is known in advance. Electrodes sit at fixed positions on the head, and volume conduction through the skull and scalp makes nearby electrodes co-vary in a way that is shared across subjects. Existing EEG generative models nonetheless leave the network to learn this from scratch. We put this structure into the source instead. From the sensor coordinates alone, we build a k-nearest-neighbor graph and take a graph-Matérn function of its Laplacian as the source covariance, so the flow starts from spatially coherent patterns rather than channel-independent noise. The change adds no learned parameters, works with any coupling and any drift network, and uses the same three hyperparameters on every dataset. Across eight EEG datasets and four flow-matching methods, the graph-Matérn source lowers the spectral discrepancy between generated and real signals in the five clinical bands (PSD-KL) on most datasets. PSD-KL falls by 12% to 17% in geometric mean over datasets depending on the method and by up to 40% on PhysioNet-MI, the densest montage. We show that the improvement stems from the spatial eigenvectors of the local graph of sensor positions, since randomizing the eigenvectors while preserving the eigenvalue spectrum eliminates the gain. Furthermore, a prior fitted directly to the empirical data covariance performs worse than isotropic noise. The same construction applies unchanged to MEG, intracranial EEG with patient-specific grids, and a traffic-sensor network, lowering PSD-KL for every method on each. https://jd730.github.io/projects/GraphPrior
• Abstract（参考訳）: フローマッチングモデルは、データの相関構造が事前に不明な場合の標準選択である等方ガウス源から始まる。 しかし、マルチチャンネル脳記録では、この構造の一部が事前に知られている。 電極は頭部の固定された位置にあり、頭蓋骨と頭皮を通しての体積伝導は、被検体間で共有されるように、近くの電極を共変させる。 既存のEEG生成モデルは、それにもかかわらず、ネットワークを離れ、これをゼロから学ぶ。 私たちは代わりにこの構造をソースに入れました。 センサ座標のみから、k-アネレス近傍グラフを構築し、ラプラシアンのグラフ-マテラン関数をソース共分散として、流路非依存ノイズではなく空間的コヒーレントなパターンから始める。 この変更は学習したパラメータを追加せず、任意の結合とドリフトネットワークで動作し、すべてのデータセットで同じ3つのハイパーパラメータを使用する。 8つのEEGデータセットと4つのフローマッチング手法で、グラフマテラン情報源は、ほとんどのデータセット上の5つの臨床バンド(PSD-KL)で生成された信号と実際の信号のスペクトル差を低くする。 PSD-KLは、この方法ではデータセットよりも12%から17%、最も密度の高いMontageであるPhyloNet-MIでは40%まで減少する。 固有値スペクトルを保ちながら固有ベクトルをランダムにするため、センサ位置の局所グラフの空間固有ベクトルに起因していることを示す。 さらに、経験データ共分散に直接嵌合した先行は、等方性雑音よりも悪化する。 同じ構成は、MEG、患者固有のグリッドを持つ頭蓋内脳波、およびトラヒックセンサーネットワークにも適用され、それぞれのメソッドに対してPSD-KLを低下させる。 https://jd730.github.io/projects/GraphPrior

関連論文リスト

• EMGBlend: Heterogeneity-Aware Self-Supervised Pretraining for Gesture and Force Decoding [11.953698746967879]
  本稿では,EMGデータセットを事前学習するための自己教師型フレームワークEMGBlendを紹介する。 共有チャネルパッチとジオメトリ対応のアテンションを組み合わせることで、各レコードがサポートする周波数帯域にスペクトルターゲットを制限し、データソース間の露出をバランスさせる。 ジェスチャー認識,連続力回帰,接触分類で評価した。
  論文  参考訳（メタデータ） (2026-09-22T02:24:56Z)
• Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
  本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。 本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。 グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
  論文  参考訳（メタデータ） (2024-01-22T10:57:11Z)
• Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
  本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。 これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-29T08:27:17Z)
• Higher Order Gauge Equivariant CNNs on Riemannian Manifolds and Applications [7.322121417864824]
  我々はゲージ同変畳み込み(GEVNet)と呼ばれるゲージ同変畳み込みの高次一般化を導入する。 これにより、空間的に拡張された非線形相互作用を、大域的等距離と等値性を維持しながら、与えられた場内でモデル化することができる。 神経画像データ実験では、結果として生じる2部構造を用いて、拡散磁気共鳴画像(dMRI)からLewy Body Disease(DLB)、Alzheimer's Disease(AD)、Parkinson's Disease(PD)を自動判別する。
  論文  参考訳（メタデータ） (2023-05-26T06:02:31Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Top-N: Equivariant set and graph generation without exchangeability [61.24699600833916]
  集合やグラフ上の分布の前にベクトル形状をマッピングするワンショット確率デコーダを考える。 これらの機能は、可変オートエンコーダ(VAE)、生成逆数ネットワーク(GAN)、正規化フローに統合することができる。 Top-nは、トレーニング可能な参照セットから最も関連性の高いポイントを選択することを学ぶ、決定論的で非交換可能なセット生成メカニズムである。
  論文  参考訳（メタデータ） (2021-10-05T14:51:19Z)
• Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth Mover's Distance [63.203951161394265]
  現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。 本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。 いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
  論文  参考訳（メタデータ） (2021-07-26T17:19:02Z)
• Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
  拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。 拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
  論文  参考訳（メタデータ） (2021-02-25T13:18:32Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)

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。