論文の概要: Identifiable Signed Causal Learning via Latent Stochastic Differential Equations for Inferring Brain Dynamic Effective Connectivity

• arxiv url: http://arxiv.org/abs/2611.02876v1
• Date: Mon, 02 Nov 2026 10:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 14:41:20.079207
• Title: Identifiable Signed Causal Learning via Latent Stochastic Differential Equations for Inferring Brain Dynamic Effective Connectivity
• Title（参考訳）: 脳の動的有効結合性推定のための潜在確率微分方程式による有意な因果学習
• Abstract要約: モデルはLorenz96の因果構造を復元し、NetSimの比較手法の中で最も低い平均構造ハミング距離を達成する。 条件特化学習は,既定モードと前頭頂部ネットワークの因果合理性を向上させる。
• 参考スコア（独自算出の注目度）: 2.3545897834525515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how brain regions interact to support cognitive tasks requires characterizing directed causal influences among them, known as effective connectivity (EC). As inter-regional coupling changes over time, a dynamic EC (dEC) estimate is required to track this temporal variation. Existing dEC learning methods typically lack a causal rationality guarantee or an identifiability analysis, and output unsigned connectivity that cannot distinguish excitatory from inhibitory influences, which limits further study of brain mechanisms. We propose ISCL, a latent stochastic differential equation framework that derives dEC from latent dynamics through a causal influence operator defined in observation space. As established by a rationality theorem, the operator captures a directed interventional response at each brain state, and under invariance assumptions the operator is identifiable from data, with its signed output separating excitatory from inhibitory influences. On synthetic benchmarks, \model recovers the causal structure on Lorenz96 and achieves the lowest mean structural Hamming distance among compared methods on NetSim, while preserving signed influence structures that distinguish excitatory from inhibitory interactions. Applied to HCP Social Cognition task-fMRI, ISCL reveals a signed architecture whose stability across seeds supports the identifiability guarantee, identifies dominant source and target networks consistent with social-cognition systems, and shows that condition-specific training strengthens causal outflow from the default-mode and frontoparietal networks during theory-of-mind processing. In this task, the recovered signed structure reveals network-level excitatory and inhibitory organization, with the dorsal-attention network as the only consistently positive out-strength source.
• Abstract（参考訳）: 脳領域が認知タスクをサポートするためにどのように相互作用するかを理解するには、効果的な接続(EC)として知られる、それら間の直接因果関係の影響を特徴づける必要がある。 時間とともに地域間結合が変化するにつれて、この時間変動を追跡するには動的EC(dEC)推定が必要である。 既存のdEC学習法は、典型的には因果的合理性保証や識別可能性分析を欠き、興奮と抑制的影響を区別できない無署名接続を出力し、脳機構のさらなる研究を制限する。 我々は、観測空間で定義された因果影響演算子を通して、潜時力学から dEC を導出する潜時確率微分方程式フレームワーク ISCL を提案する。 合理性定理によって確立されたように、オペレータは各脳状態における指示された介入応答をキャプチャし、不変仮定の下では、オペレータはデータから識別可能であり、その符号付き出力は、抑制的な影響から興奮を分離する。 合成ベンチマークでは、Lorenz96 上の因果構造を復元し、NetSim 上の比較手法の中で最も低い平均構造ハミング距離を達成し、励起と阻害相互作用を区別する符号付き影響構造を保存する。 HCP Social Cognition Task-fMRIに応用されたISCLは、種子間の安定性が識別可能性を保証する署名されたアーキテクチャを明らかにし、社会的認知システムと整合した支配的ソースとターゲットネットワークを特定し、条件固有のトレーニングは、理論・オブ・ミンド処理中にデフォルトモードと前頭前頭前頭前葉ネットワークからの因果流出を強化することを示す。 このタスクでは、回復された署名された構造は、ネットワークレベルの興奮と抑制の組織を明らかにし、背側保持ネットワークは、一貫して正のアウトストロングソースである。

関連論文リスト

• CDS: Counterfactual Directionality Score for Structured Interventions in Spatial Graphs [0.0]
  本稿では,ノード間の指向性の影響を推定するために,グラフベースモデルにおける非実効的介入を構造化するフレームワークを提案する。 我々の手法は、近隣地域からノード状態を予測するために、Nighbor Influence Model (NIM) を訓練する。 我々は,目標摂動による予測ノード状態の変化を計測するCDS(Conserfactal Directionality Score)を定義した。
  論文  参考訳（メタデータ） (2026-07-15T07:02:33Z)
• Synheart Capacity: A Theory-Driven Physiological Representation of Cognitive Capacity Dynamics from Wearable Signals [0.0]
  本稿では,2次元の生理的表現としてキャパシティ関連認知状態をモデル化する理論駆動型フレームワークを提案する。 提案アーキテクチャは、心電図(IBI/HRV)と電磁気信号(EDA)の二重ストリーム符号化と、遅延核融合とタスク特異的出力ヘッドを組み合わせたものである。 提案した取り組み-ストレス状態空間は、異なる認知体制間の構造化された分化を可能にすることを示す。
  論文  参考訳（メタデータ） (2026-05-23T05:58:56Z)
• Causal Learning with Neural Assemblies [0.0]
  投影, 局所可塑性制御, スパース勝者選択は, 方向性学習に十分であることを示す。 DIRECTは、アダプティブゲインスケジュールの下で、ソースとターゲットアセンブリを協調して活性化し、指示された関係を内部化するメカニズムである。 結果は、生物学的に妥当な力学と形式的因果モデルの間の監査可能なブリッジとして神経集合を確立する。
  論文  参考訳（メタデータ） (2026-04-29T17:34:33Z)
• Bridging Prediction and Attribution: Identifying Forward and Backward Causal Influence Ranges Using Assimilative Causal Inference [7.915816961228985]
  因果推論は変数間の因果関係を特定する。 最近開発された手法であるAssimilative causal Inference (ACI)は、観測と力学モデルを統合する。 ACIは、瞬時に因果関係を検出し、時間とともに因果関係を断続的に反転させる。
  論文  参考訳（メタデータ） (2025-10-24T02:04:56Z)
• Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition [52.59263087086756]
  深層ニューラルネットワーク(SNN)のトレーニングは、バッチ正規化のような明示的な正規化スキームに依存している。 本研究では,皮質回路にインスパイアされた側方抑制を取り入れた正規化自由学習フレームワークを提案する。 本稿では,生物リアリズムを持つ深層SNNの安定的学習を可能にするとともに,明示的な正規化に頼らずに競争性能を達成できることを述べる。
  論文  参考訳（メタデータ） (2025-09-27T11:11:30Z)
• Causal Operator Discovery in Partial Differential Equations via Counterfactual Physics-Informed Neural Networks [0.0]
  物理インフォームドニューラルネットワークと対実最小化を用いた偏微分方程式(PDE)の因果構造を発見するための原理的枠組みを開発する。 気候力学,腫瘍拡散,海流の総合的および実世界のデータセット上で,この枠組みを検証した。 本研究は、因果的PDE発見を、構造因果モデルと変分残差解析に基づく、抽出可能かつ解釈可能な推論タスクとして位置づける。
  論文  参考訳（メタデータ） (2025-06-25T07:15:42Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)

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。