論文の概要: Cross-Dimension and Cross-Modality Relational Tensor Representation Learning for Multimodal Health Data Modeling

• arxiv url: http://arxiv.org/abs/2610.24419v1
• Date: Sat, 17 Oct 2026 03:31:46 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:49:26.245776
• Title: Cross-Dimension and Cross-Modality Relational Tensor Representation Learning for Multimodal Health Data Modeling
• Title（参考訳）: マルチモーダルヘルスデータモデリングのためのクロスディメンジョンとクロスモーダルリレーショナルテンソル表現学習
• Abstract要約: 表現(Representation、RTR)は、次元固有のテンソル表現と、次元間およびモード間の関係を学習するフレームワークである。 RTRは、代表テンソルのマルチモーダル融合、感情認識、トランスフォーマーベースのベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 8.124155433823477
• License:
• Abstract: Multimodal health data integrate information from heterogeneous clinical sources, creating substantial opportunities for data-driven decision support. Realizing these opportunities, however, requires effectively modeling complex dependencies that arise both within individual modalities and across modalities. This paper proposes Relational Tensor Representation (RTR), a unified framework that jointly learns dimension-specific tensor representations and cross-dimensional and cross-modality relationships. RTR introduces learnable relational bridge matrices that maintain relational information while preserving the structural identities of tensor dimensions and modalities. A structured fusion mechanism further integrates factor-level and relationship-level information into compact representations for downstream prediction. Experiments on simulated data and two multimodal neurophysiological datasets, covering emotion recognition and brain activity classification, demonstrate that RTR consistently outperforms representative tensor learning, multimodal fusion, and Transformer-based baselines. These results highlight the value of explicitly modeling cross-dimensional and cross-modality relationships for learning informative representations from heterogeneous multimodal tensor data. The source code is planned for public release to support reproducibility and future research.
• Abstract（参考訳）: マルチモーダルヘルスデータは異種臨床ソースからの情報を統合し、データ駆動型意思決定支援のかなりの機会を生み出す。 しかし、これらの機会を実現するには、個々のモダリティとモダリティの両方で生じる複雑な依存関係を効果的にモデル化する必要がある。 本稿では,関係テンソル表現(RTR)を提案する。これは,次元特異的なテンソル表現と,相互次元および相互モダリティ関係を共同で学習する統合フレームワークである。 RTRは、テンソル次元とモダリティの構造的アイデンティティを保持しながら、関係情報を維持する学習可能なリレーショナルブリッジ行列を導入している。 構造的融合機構は、下流予測のためのコンパクト表現に因子レベルおよび関係レベル情報を更に統合する。 シミュレーションデータと2つのマルチモーダル神経生理学的データセットの実験は、感情認識と脳活動分類をカバーし、RTRが代表的テンソル学習、マルチモーダル融合、トランスフォーマーベースのベースラインを一貫して上回ることを示した。 これらの結果は、異種マルチモーダルテンソルデータから情報表現を学習するために、クロスモーダル関係とクロスモーダル関係を明示的にモデル化する価値を強調している。 ソースコードは、再現性と将来の研究をサポートするために、パブリックリリースが予定されている。

関連論文リスト

• HRIL: Learning Multimodal Synergy via Higher-Order Tensor Modeling [49.47522889508097]
  自己教師型マルチモーダル表現学習は、様々な領域で顕著な成功を収めた。 しかし、相互モーダル相互作用の複雑さのため、相乗的情報の取得は依然として困難である。 この研究は、マルチモーダル表現におけるそのようなシナジスティック信号の情報容量の保存方法に焦点をあてる。
  論文  参考訳（メタデータ） (2026-10-08T17:39:45Z)
• Attention-Based Variational Framework for Joint and Individual Components Learning with Applications in Brain Network Analysis [9.090595907330018]
  2組のSC-FCデータセットから因数分解された潜在表現を学習するために設計されたC-Modal Joint-Individual Variational Network (CM-JIVNet)。 本モデルでは,多面的注意融合モジュールを用いて,非線形な相互依存を捕捉し,独立性,モダリティ特異的な信号の分離を行う。 関節と個々の特徴空間を効果的に切り離すことで、CM-JIVNetは大規模マルチモーダル脳分析のための堅牢で解釈可能なスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-23T00:28:43Z)
• Cross-Modal Alignment via Variational Copula Modelling [54.25504956780864]
  複数のモーダルから様々な情報を集約するマルチモーダル学習手法を開発することが不可欠である。 既存の方法は主に連結やクロネッカー積に依存し、モジュラリティ間の相互作用構造を単純化する。 そこで本研究では,様々なモーダルの連成分布の学習に焦点を当てた,コプラ駆動型マルチモーダル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T05:28:28Z)
• Relational Deep Learning: Challenges, Foundations and Next-Generation Architectures [50.46688111973999]
  グラフ機械学習は、任意のグラフ構造化データで学習するモデルの能力を大幅に向上させた。 従来の工学的特徴を伴わない'関係エンティティグラフ'のエンドツーエンド表現を可能にする新しい青写真を提案する。 本稿では、大規模マルチテーブル統合や、時間力学と異種データのモデリングの複雑さなど、重要な課題について論じる。
  論文  参考訳（メタデータ） (2025-06-19T23:51:38Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
  本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。 The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。 HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-11-15T17:06:26Z)
• Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
  本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。 我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
  論文  参考訳（メタデータ） (2023-05-25T15:26:13Z)
• Quantifying & Modeling Multimodal Interactions: An Information Decomposition Framework [89.8609061423685]
  本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。 PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。 本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
  論文  参考訳（メタデータ） (2023-02-23T18:59:05Z)
• Coupled Support Tensor Machine Classification for Multimodal Neuroimaging Data [28.705764174771936]
  A Coupled Support Machine (C-STM) は、Advanced Coupled Matrix Factorization (ACMTF) から推定される潜在因子に基づいて構築される。 C-STMは、個別および共有潜在因子と複数のカーネルを結合し、結合行列テンソルデータに対する最大マージンを推定する。 C-STMの分類リスクは最適なベイズリスクに収束することが示され、統計的に一貫した規則となっている。
  論文  参考訳（メタデータ） (2022-01-19T16:13:09Z)

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。