PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.21754v1cs.IT

임베딩된 다각형 기호적 전달 엔트로피(EPSTE): 신경영상 시계열에서 전달 엔트로피를 추정하기 위한 기하학적 토큰 및 심층 학습 접근법

Embedded Polygon Symbolic Transfer Entropy (EPSTE): A Geometric Token and Deep Learning Approach to Estimating Transfer Entropy in Neuroimaging Time Series

EEG 및 MEG로부터 신경계 간의 방향성 상호작용을 추론하는 것은 노이즈, 비정상성, 그리고 정보 이론적 추정기의 높은 표본 복잡도(sample complexity)로 인해 여전히 어려운 과제입니다. 전달 엔트로피(Transfer Entropy, TE)는 방향성 정보 흐름에 대한 원칙적이며 모델 없는(model-free) 척도를 제공하지만, 유한 데이터 영역에서는 특히 임베딩 차원이 증가할수록 실용적인 추정이 안정적이지 않습니다. 본 연구는 임베딩된 다각형 기호적 전달 엔트로피(Embedded Polygon Symbolic Transfer Entropy, EPSTE)를 제안하며, 이는 TE 추정을 원시 신호 진폭이 아닌 국소 시간 형태학(local temporal morphology)의 구조화된 기호 표현 위에서 동작하는 학습 가능한 문제로 재구성하는 프레임워크입니다. 신경 시계열은 진폭, 곡률, 방향 변화와 같은 파형 구조의 상보적 측면을 인코딩하는 국소 삼중 샘플로부터 유도된 기하학적 원시 요소(primitive)들의 시퀀스로 분해됩니다. 이러한 원시 요소들은 기호 토큰으로 이산화되어, 기호적 TE가 추정되는 간결하면서도 표현력 있는 상태 공간을 형성합니다. 어텐션 기반 다중 인스턴스 학습(attention-based multiple-instance learning)을 갖춘 순환 신경망이 기호적 시간 윈도우의 bag으로부터 대리(surrogate) 검증된 TE 값을 예측하도록 학습됩니다. 이 방법은 AAL90 atlas를 사용해 분할(parcellated)된 소스 재구성 MEG 데이터에서 평가되었으며, 동일한 아키텍처와 지도(supervision)를 사용하는 표준 기호적 기준선과 비교되었습니다. 결과는 국소 윈도우 수준 예측은 노이즈가 많지만, 시행(trial)과 채널 쌍에 걸친 집계를 통해 안정적인 방향성 의존성을 산출함을 보여줍니다. 쌍(pair) 수준에서 EPSTE는 실제(ground-truth) 방향성 구조를 거의 완벽하게 복원하고 기준선보다 절대 오차가 유의미하게 낮아, 표현 기하학(representational geometry)이 정보 이론적 의존성의 실용적 학습 가능성을 가능하게 하는 데 핵심적인 역할을 함을 나타냅니다.