論文の概要: Ordinal Pattern Kernel for Brain Connectivity Network Classification
- arxiv url: http://arxiv.org/abs/2008.07719v2
- Date: Mon, 18 Jan 2021 04:07:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 20:46:51.593984
- Title: Ordinal Pattern Kernel for Brain Connectivity Network Classification
- Title(参考訳): 脳接続ネットワーク分類のための順序パターンカーネル
- Authors: Kai Ma, Biao Jie, Daoqiang Zhang
- Abstract要約: グラフカーネル(すなわちグラフ上に定義されたカーネル)のようなカーネルベースの手法は、脳ネットワークの類似性を測定するために提案されている。
脳接続ネットワーク分類のための順序パターンカーネルを提案する。
- 参考スコア(独自算出の注目度): 26.43772118550607
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain connectivity networks, which characterize the functional or structural
interaction of brain regions, has been widely used for brain disease
classification. Kernel-based method, such as graph kernel (i.e., kernel defined
on graphs), has been proposed for measuring the similarity of brain networks,
and yields the promising classification performance. However, most of graph
kernels are built on unweighted graph (i.e., network) with edge present or not,
and neglecting the valuable weight information of edges in brain connectivity
network, with edge weights conveying the strengths of temporal correlation or
fiber connection between brain regions. Accordingly, in this paper, we present
an ordinal pattern kernel for brain connectivity network classification.
Different with existing graph kernels that measures the topological similarity
of unweighted graphs, the proposed ordinal pattern kernels calculate the
similarity of weighted networks by comparing ordinal patterns from weighted
networks.
To evaluate the effectiveness of the proposed ordinal kernel, we further
develop a depth-first-based ordinal pattern kernel, and perform extensive
experiments in a real dataset of brain disease from ADNI database. The results
demonstrate that our proposed ordinal pattern kernel can achieve better
classification performance compared with state-of-the-art graph kernels.
- Abstract(参考訳): 脳領域の機能的または構造的相互作用を特徴付ける脳接続ネットワークは、脳疾患の分類に広く使われている。
グラフカーネル(すなわちグラフ上に定義されたカーネル)のようなカーネルベースの手法は、脳ネットワークの類似性を測定するために提案され、有望な分類性能が得られる。
しかし、ほとんどのグラフカーネルは、エッジが存在するか否かに関わらず、未重み付きグラフ(すなわちネットワーク)上に構築されており、脳接続ネットワークにおけるエッジの貴重な重み情報を無視し、エッジ重みは脳領域間の時間的相関やファイバー接続の強さを伝達する。
そこで本研究では,脳接続ネットワーク分類のための順序パターンカーネルを提案する。
非重み付きグラフの位相的類似度を測定する既存のグラフカーネルとは異なり、提案した順序パターンカーネルは重み付きネットワークの順序パターンを比較して重み付きネットワークの類似度を算出する。
提案手法の有効性を評価するため,adniデータベースから脳疾患の実データを用いて,深さ優先型順序パターンカーネルをさらに開発し,広範な実験を行った。
その結果,提案する順序パターンカーネルは,最先端グラフカーネルと比較して分類性能が向上することが示された。
関連論文リスト
- Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳(メタデータ) (2024-03-18T18:01:01Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。
本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。
次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
論文 参考訳(メタデータ) (2023-02-22T14:52:06Z) - A Comparative Study of Graph Neural Networks for Shape Classification in
Neuroimaging [17.775145204666874]
ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。
ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。
以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
論文 参考訳(メタデータ) (2022-10-29T19:03:01Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳(メタデータ) (2021-05-27T12:27:24Z) - Universality and Optimality of Structured Deep Kernel Networks [0.0]
カーネルベースの手法は、柔軟で効率的で強力な近似モデルを生み出す。
機械学習手法の最近の成功は、ディープニューラルネットワーク(NN)によって駆動されている。
本稿では,特殊なタイプのカーネルを用いることで,ニューラルネットワークを連想させるモデルが得られることを示す。
論文 参考訳(メタデータ) (2021-05-15T14:10:35Z) - Deep Hypergraph U-Net for Brain Graph Embedding and Classification [0.0]
ネットワーク神経科学は、ネットワーク(またはコネクトーム)で表されるシステムとして脳を調べる
データサンプルの低次元埋め込みを学習するためにハイパーグラフ構造を利用した新しいデータ埋め込みフレームワークHypergraph U-Netを提案する。
自閉症および認知症患者の形態的・機能的脳ネットワークを含む,小規模・大規模異種脳コネクトームデータセットについて検討した。
論文 参考訳(メタデータ) (2020-08-30T08:15:18Z) - Representation Learning of Graphs Using Graph Convolutional Multilayer
Networks Based on Motifs [17.823543937167848]
mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。
グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
論文 参考訳(メタデータ) (2020-07-31T04:18:20Z) - Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。
リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。
トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文 参考訳(メタデータ) (2020-07-13T17:59:31Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳(メタデータ) (2020-05-16T04:44:29Z) - Hcore-Init: Neural Network Initialization based on Graph Degeneracy [22.923756039561194]
ディープラーニングアーキテクチャから抽出した全重み付きマルチパートグラフに対して,kコア構造の適応版を提案する。
多部グラフは双部グラフの組合せであり、ハイパーグラフの入射グラフであるので、k-ハイパーコア分解を設計する。
論文 参考訳(メタデータ) (2020-04-16T12:57:14Z)
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。