論文の概要: GeoNIRS: Geometry-Aware Pretraining for Heterogeneous fNIRS Representation Learning
- arxiv url: http://arxiv.org/abs/2610.17845v1
- Date: Tue, 13 Oct 2026 07:08:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 08:33:03.448982
- Title: GeoNIRS: Geometry-Aware Pretraining for Heterogeneous fNIRS Representation Learning
- Title（参考訳）: GeoNIRS:不均一なfNIRS表現学習のための幾何学的事前学習
- Abstract要約: 我々はGeoNIRSを紹介した。GeoNIRSは、異種プローブレイアウト間の共有空間参照としてソース-検出器位置を使用する幾何学的フレームワークである。
GeoNIRSは可変サイズチャネルセットを固定サイズ潜在表現に圧縮し、連続した時間マスキングを伴う双方向HbO/HbRクロスコンストラクションを使用する。
臨床・聴覚評価,痛み・情動処理,意味的復号化,運動機能にまたがる8つの課題についてGeoNIRSを評価した。
- 参考スコア（独自算出の注目度）: 5.439021491474985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional near-infrared spectroscopy (fNIRS) provides portable and spatially localized measurements of cortical hemodynamics, but differences in channel count, probe layout, signal distribution, and task type hinder joint pretraining across datasets. We introduce GeoNIRS, a geometry-aware framework that uses source-detector locations as a shared spatial reference across heterogeneous probe layouts. GeoNIRS compresses variable-size channel sets into a fixed-size latent representation and employs bidirectional HbO/HbR cross-reconstruction with contiguous temporal masking. GeoNIRS-base is pretrained on eight heterogeneous datasets, while GeoNIRS-large scales to 22 datasets. Neither downstream data nor labels are used during pretraining, enabling evaluation under a strict cross-task setting. To our knowledge, GeoNIRS is the first fNIRS framework to explicitly model physical channel geometry during joint pretraining across heterogeneous channel configurations, and the first to provide complete source code and downloadable pretrained checkpoints. We evaluate GeoNIRS on eight held-out tasks spanning clinical and auditory assessment, pain and affective processing, semantic decoding, and motor function. GeoNIRS achieves the highest task-averaged balanced accuracy among the evaluated conventional machine-learning, fNIRS-specific, general time-series, and fNIRS pretraining baselines. Compared with random initialization, pretraining improves average balanced accuracy by 4.12 percentage points under linear probing and 3.30 points under full fine-tuning, with larger benefits when labels are scarce. GeoNIRS also remains robust to missing input channels. Geometry perturbations and pretraining ablations further show that both channel geometry and cross-chromophore reconstruction contribute to the learned representations.
- Abstract（参考訳）: 機能的近赤外分光法(fNIRS)は、皮質血行動態の可搬的および空間的局所的な測定を提供するが、チャネル数、プローブレイアウト、信号分布、タスクタイプの干渉によるデータセット間の事前トレーニングの違いがある。
我々はGeoNIRSを紹介した。GeoNIRSは、異種プローブレイアウト間の共有空間参照としてソース-検出器位置を使用する幾何学的フレームワークである。
GeoNIRSは可変サイズチャネルセットを固定サイズ潜在表現に圧縮し、連続した時間マスキングを伴う双方向HbO/HbRクロスコンストラクションを使用する。
GeoNIRSベースは8つの異種データセットで事前トレーニングされ、GeoNIRSベースは22のデータセットにスケールする。
事前トレーニング中にダウンストリームデータもラベルも使用せず、厳格なクロスタスク設定で評価が可能である。
我々の知る限り、GeoNIRSは異種チャネル構成間の共同事前トレーニング中に物理的チャネル幾何学を明示的にモデル化する最初のfNIRSフレームワークであり、また、完全なソースコードとダウンロード可能な事前訓練チェックポイントを提供する最初のフレームワークである。
臨床・聴覚評価,痛み・情動処理,意味的復号化,運動機能にまたがる8つの課題についてGeoNIRSを評価した。
GeoNIRSは、評価された従来の機械学習、fNIRS特化、一般的な時系列、fNIRS事前学習ベースラインの中で、タスク平均バランス精度が最も高い。
ランダム初期化と比較すると、事前学習は線形探索では平均平衡精度を4.12ポイント、フル微調整では3.30ポイント改善し、ラベルが不足する場合には大きな利点がある。
GeoNIRSは入力チャネルの欠如にも頑健である。
幾何学的摂動と事前学習は、チャネル幾何学とクロスクロモフォア再構成の両方が学習された表現に寄与していることを示している。
関連論文リスト
- Learning Propagation Geometry from Message-Passing Feedback [58.684834960683226]
GeoFは、メッセージパッシングフィードバックを通じてノード機能と伝搬幾何学を進化させる、反復的なフレームワークである。
ベンチマークデータセットの実験は、GeoFが最先端のGNNベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-09-28T09:22:49Z) - Marker-Constrained Pose-Graph Correction for Cross-Platform Georeferencing in GNSS-Denied Environments [0.20391237204597365]
本稿では,CSR(Cholesteric Spherical Reflectors)から作製したカモフラージュマッチングフィデューシャルマーカーを,事前サーベイド視覚アンカーとして用いる枠組みを提案する。
アンカーは、軽量なオドメトリー軌道と高密度のRTAB-Map再構成の両方をジオレフレクションし、それらの出力を共通のLUREFフレームで表現する。
本研究は,UGVおよびUAV動作を模擬した地上および高位モーションプロファイルを用いた2回のハンドヘルド取得セッションを用いて評価する。
論文 参考訳（メタデータ） (2026-08-17T08:52:54Z) - FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳（メタデータ） (2026-07-13T14:10:01Z) - GeoRoPE: Ground-Aware Rotary Adaptation for Remote Sensing Foundation Models [34.24842271651431]
リモートセンシング基礎モデル(RSFM)は、複数のセンサからの画像の事前学習と地中サンプリング(GSD)の恩恵を受ける
固定されたトークングリッドオフセットは、センサー間の異なる接地距離に対応でき、グリッドベースの位置先入先を物理的に矛盾させる。
地上認識, RoPE互換, パラメータ効率を考慮したRSFM空間適応手法であるGeoRoPEを提案する。
論文 参考訳（メタデータ） (2026-06-08T12:15:53Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.0494061710470493]
本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。
PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。
次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
論文 参考訳（メタデータ） (2020-03-30T17:32:49Z)
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。