論文の概要: Simultaneous prediction and community detection for networks with
application to neuroimaging
- arxiv url: http://arxiv.org/abs/2002.01645v2
- Date: Fri, 28 Feb 2020 04:46:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 21:47:01.602790
- Title: Simultaneous prediction and community detection for networks with
application to neuroimaging
- Title（参考訳）: ネットワークの同時予測とコミュニティ検出とニューロイメージングへの応用
- Authors: Jes\'us Arroyo, Elizaveta Levina
- Abstract要約: 神経イメージングの分野では、脳ネットワークは複数の被験者に利用でき、しばしば関心の表現型を予測することが目的である。
コミュニティ構造は脳ネットワークの特徴としてよく知られており、典型的には脳の異なる領域に対応して機能する。
本稿では、特定の応答を予測するのに最も有用なコミュニティへのネットワーク分割を見つけることを目的として、コミュニティ検出を教師する手法を提案する。
- 参考スコア（独自算出の注目度）: 1.0660480034605242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Community structure in networks is observed in many different domains, and
unsupervised community detection has received a lot of attention in the
literature. Increasingly the focus of network analysis is shifting towards
using network information in some other prediction or inference task rather
than just analyzing the network itself. In particular, in neuroimaging
applications brain networks are available for multiple subjects and the goal is
often to predict a phenotype of interest. Community structure is well known to
be a feature of brain networks, typically corresponding to different regions of
the brain responsible for different functions. There are standard parcellations
of the brain into such regions, usually obtained by applying clustering methods
to brain connectomes of healthy subjects. However, when the goal is predicting
a phenotype or distinguishing between different conditions, these static
communities from an unrelated set of healthy subjects may not be the most
useful for prediction. Here we present a method for supervised community
detection, aiming to find a partition of the network into communities that is
most useful for predicting a particular response. We use a block-structured
regularization penalty combined with a prediction loss function, and compute
the solution with a combination of a spectral method and an ADMM optimization
algorithm. We show that the spectral clustering method recovers the correct
communities under a weighted stochastic block model. The method performs well
on both simulated and real brain networks, providing support for the idea of
task-dependent brain regions.
- Abstract（参考訳）: ネットワークのコミュニティ構造は多くの異なる領域で観察され、教師なしのコミュニティ検出は文献で多くの注目を集めている。
ネットワーク分析の焦点は、単にネットワーク自体を分析するのではなく、他の予測や推論タスクでネットワーク情報を使うことにシフトしつつある。
特に神経イメージングの分野では、脳ネットワークは複数の被験者に利用でき、しばしば関心の表現型を予測することが目的である。
コミュニティ構造は脳ネットワークの特徴としてよく知られており、典型的には異なる機能を担う脳の異なる領域に対応する。
正常な被験者の脳コネクトームにクラスタリング法を適用することで得られる、脳のそのような領域への標準的な小包が存在する。
しかしながら、表現型を予測したり、異なる条件を区別する場合、これらの静的コミュニティと無関係な健康な被験者のセットは、予測に最も有用ではないかもしれない。
本稿では,ネットワークの特定の応答の予測に最も有用なコミュニティへの分割を見出すことを目的として,コミュニティ検出を監督する手法を提案する。
本稿では,予測損失関数と組み合わせたブロック構造正規化ペナルティを用いて,スペクトル法とADMM最適化アルゴリズムを組み合わせた解を求める。
スペクトルクラスタリング法は, 重み付き確率ブロックモデルを用いて, 正しいコミュニティを回復することを示す。
この方法は、シミュレーションと実際の脳ネットワークの両方でうまく機能し、タスク依存の脳領域の概念をサポートする。
関連論文リスト
- Identifying Sub-networks in Neural Networks via Functionally Similar Representations [41.028797971427124]
我々は、異なるサブネットワークの存在を調査し、ネットワークの理解を自動化するための一歩を踏み出した。
我々のアプローチは、人間と計算コストを最小限に抑えたニューラルネットワークの振る舞いに関する有意義な洞察を提供する。
論文 参考訳（メタデータ） (2024-10-21T20:19:00Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Quasi-orthogonality and intrinsic dimensions as measures of learning and
generalisation [55.80128181112308]
ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。
本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
論文 参考訳（メタデータ） (2022-03-30T21:47:32Z) - Understanding the network formation pattern for better link prediction [4.8334761517444855]
多重順序局所情報(MOLI)を用いたリンク予測手法を提案する。
MOLIは、異なる距離の隣人からのローカル情報を利用しており、パラメータは事前知識に基づいて事前駆動される。
シミュレーションと実世界の11種類のネットワークにおいて,MOLIが他の11種類のリンク予測アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-10-17T15:30:04Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳（メタデータ） (2021-05-26T14:37:07Z) - Learning Interpretable Models for Coupled Networks Under Domain
Constraints [8.308385006727702]
脳ネットワークの構造的エッジと機能的エッジの相互作用に着目して,結合ネットワークの概念を検討する。
相互作用を推定しながらノイズ項にハードネットワークの制約を課す新しい定式化を提案する。
ヒトコネクトームプロジェクトから得られたマルチシェル拡散およびタスク誘発fMRIデータセットの手法を検証する。
論文 参考訳（メタデータ） (2021-04-19T06:23:31Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - SOCRATES: Towards a Unified Platform for Neural Network Analysis [7.318255652722096]
ニューラルネットワークを解析する技術を開発するための統一的なフレームワークの構築を目指している。
我々は、様々なニューラルネットワークモデルの標準化フォーマットをサポートするSOCRATESと呼ばれるプラットフォームを開発する。
実験の結果,我々のプラットフォームは幅広いネットワークモデルや特性を扱えることがわかった。
論文 参考訳（メタデータ） (2020-07-22T05:18:57Z)
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。