NERVE는 뇌 기능적 연결성(FC) 행렬을 네트워크 내부 및 네트워크 간 연결 블록으로 분할하는 자기지도 학습 프레임워크다. 이중선형 인수분해로 FC 패치를 임베딩하여 네트워크 정체성을 보존하고 파라미터 복잡도를 이차에서 선형으로 줄인다. ABCD, PNC, CCNP 세 개 대규모 발달 코호트에서 구조 인식 방식이 기존 그래프 기반 자기지도 기준보다 더 안정적이고 전이 가능한 표현을 생성함을 입증했다.
- •뇌 네트워크 구조를 반영한 FC 토크나이제이션으로 기능적 연결성 표현 학습을 개선
- •이중선형 인수분해로 파라미터 복잡도를 이차에서 선형으로 감소시켜 효율성 향상
- •세 개 대규모 코호트에서 교차 코호트 평가 시 더 안정적이고 전이 가능한 표현 달성
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Network-Aware Bilinear Tokenization for Brain Functional Connectivity Representation Learning
- 1.NERVE는 뇌 기능적 연결성(FC) 행렬을 대규모 뇌 네트워크 구조에 맞게 토큰화하는 자기지도 학습 프레임워크
- 2.네트워크 쌍별 FC 패치를 이중선형 인수분해로 임베딩해 파라미터 복잡도를 선형 수준으로 줄임
- 3.ABCD, PNC, CCNP 3개 코호트에서 행동·정신병리 예측 시 교차 코호트 안정성 우수
왜 중요한가?
뇌 기능 연결성 분석에 도메인 특화 구조적 사전 지식을 자기지도 학습에 통합해 뇌과학 AI의 표현 학습 품질과 전이 가능성을 높인다.
언급 프로젝트
본문 미리보기
arXiv:2605.14048v1 Announce Type: new Abstract: Masked autoencoders (MAEs) have recently shown promise for self-supervised representation learning of resting-state brain functional connectivity (FC). However, a fundamental question remains unresolved: how should FC matrices be tokenized to align with the intrinsic modular organization of large-scale brain networks? Existing approaches typically adopt region-centric or graph-based schemes that treat FC as structurally homogeneous elements and ov
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
