論文の概要: MAGNET: Manifold-Aware Graph Diffusion Network for Connectome Generation

• arxiv url: http://arxiv.org/abs/2610.17014v1
• Date: Mon, 12 Oct 2026 15:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.403092
• Title: MAGNET: Manifold-Aware Graph Diffusion Network for Connectome Generation
• Title（参考訳）: MAGNET:コネクトーム生成のためのマニフォールド対応グラフ拡散ネットワーク
• Abstract要約: 機能的脳コネクトームは、脳領域間の対の相互作用のマトリックスとして神経接続を表現している。 相関行列の多様体の正規化コホースキー表現を用いて,正当性を保証するマニフォールド対応グラフ拡散ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 13.109801046689157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional brain connectome represents neural connectivity as a matrix of pairwise interactions between brain regions. Generation of functional connectomes is not only a question of validity; rather, having satisfied the constraints on the correlation matrix, the next step is to recover the class-conditional geometry buried under coarse labels. We propose MAGNET, a Manifold-Aware Graph Diffusion Network which uses a normalized-Cholesky representation of the manifold of correlation matrices that guarantees validity. MAGNET lifts noisy latent states into ROI-level region tokens and performs denoising with a relational inductive bias over brain atlas regions. To deal with structural problems induced by coarse labels, MAGNET employs class-anchored conditioning, amortized structural bridge, and relevance-preserving corruption. Across ABIDE, ADNI, and OASIS-3, MAGNET consistently achieves favorable results compared to previous manifold-aware approaches, demonstrating improvements of 7-21% in class-conditional fidelity ($α,β$-F1) across three cohorts and better sampling efficiency. Moreover, while training only with strict binary labels, MAGNET is capable of maintaining clinical heterogeneity through fine substructure of the connectomes in a zero-shot setting, improving subclass covariance alignment ($λ$-MSE) by over 30%. These results suggest that geometric validity is a necessary but insufficient condition for clinical utility in connectome synthesis. Moreover, efforts in making the diffusion denoising class-conditional manifold aware finds utility beyond the highly curved brain connectome generation as this is a critical problem in various general settings. The code repository can be found at https://github.com/protyayofficial/MAGNET.
• Abstract（参考訳）: 機能的脳コネクトームは、脳領域間の対の相互作用のマトリックスとして神経接続を表現している。 関数コネクトームの生成は妥当性の問題であるだけでなく、相関行列上の制約を満たすことにより、次のステップは粗いラベルの下に埋もれたクラス条件幾何を復元することである。 相関行列の多様体の正規化コホースキー表現を用いて,正当性を保証したmanifold-Aware Graph Diffusion NetworkであるMAGNETを提案する。 MAGNETはノイズの多い潜伏状態からROIレベルの領域トークンを持ち上げ、脳のアトラス領域に対するリレーショナル誘導バイアスでノイズ化を行う。 粗いラベルによって引き起こされる構造問題に対処するため、MAGNETはクラスアンコール条件付け、償却された構造橋、関連性保存の汚職を用いる。 ABIDE, ADNI, OASIS-3 全体で, MAGNET は従来の多様体認識手法と比較して, 常に良好な結果が得られ, 3コホート間のクラス条件の忠実度 (α, β$-F1) が 7-21% 向上し, サンプリング効率が向上した。 さらに、厳密なバイナリラベルのみをトレーニングしながら、MAGNETはコネクトームの微細なサブ構造をゼロショット設定で維持し、サブクラス共分散アライメント(λ$-MSE)を30%以上改善することができる。 これらの結果から,コネクトーム合成における臨床的有用性には,幾何学的妥当性が不可欠だが不十分であることが示唆された。 さらに、クラス条件多様体の拡散を認知させる取り組みは、様々な一般的な設定において重要な問題であるため、高度に湾曲した脳コネクトーム生成を超えて実用性を見出す。 コードリポジトリはhttps://github.com/protyayofficial/MAGNETで見ることができる。

関連論文リスト

• BrainLinear: A Linear Model for Brain Network Analysis in Sparse Tangent Subspaces [26.68112538190199]
  BrainLinearは病気を識別するコネクトームパターンをマイニングするための軽量なフレームワークである。 高いGNNやTransformerのベースラインを、そのコストのごく一部で一致または超える。 ランタイムとピークGPUメモリを、AUCの最も近いベースラインと比較して84.0%$と6.8.4%$に削減する。
  論文  参考訳（メタデータ） (2026-08-15T14:57:48Z)
• 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)
• Towards Robust EEG Decoding Based on Riemannian Self-Attention [49.95065559566893]
  脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、補助技術、リハビリテーション、エンターテイメントに重要な応用がある。 近年,Symmetric Positive Definite (SPD) 学習に基づく脳波復号法は優れた性能を示した。 これらの手法は通常、基本的なネットワークアーキテクチャを使用し、EEG信号間の局所的な関係を明示的に捉えない。 この制限は、信号対雑音比(SNR)が本質的に低いため、脳波信号に問題となる。
  論文  参考訳（メタデータ） (2026-06-24T06:31:20Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Network-Aware Bilinear Tokenization for Brain Functional Connectivity Representation Learning [6.232102297445596]
  我々は,脳機能的接続トークン化を再定義する自己教師型学習フレームワークであるNERVEを紹介する。 画像ベースのMAEとは異なり、ネットワークペアによって定義されたFCパッチは、サイズが不均一であり、異なる機能的役割に対応する。 NERVEは、新しく構造化された双線形因子化によってFCパッチを埋め込む。
  論文  参考訳（メタデータ） (2026-05-13T19:09:44Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• TFFM: Topology-Aware Feature Fusion Module via Latent Graph Reasoning for Retinal Vessel Segmentation [3.903438631397551]
  血管接続性を維持するために設計されたトポロジ対応フレームワークを紹介する。 我々のアーキテクチャは、局所的な特徴表現を潜在グラフ空間にマッピングする、トポロジカル・フィーチャー・フュージョン・モジュール(TFFM)を融合する。 学習過程をハイブリッドな目的関数で駆動し,クラス不均衡に対するTverskyの損失とソフトなClDiceの損失とを結合させ,トポロジカルな切断を明示的に罰する。
  論文  参考訳（メタデータ） (2026-01-27T03:09:10Z)
• 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)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。