論文の概要: Schizophrenia-mimicking layers outperform conventional neural network layers

• arxiv url: http://arxiv.org/abs/2009.10887v2
• Date: Fri, 1 Apr 2022 09:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 16:47:27.325238
• Title: Schizophrenia-mimicking layers outperform conventional neural network layers
• Title（参考訳）: 統合失調症-模倣層は従来のニューラルネットワーク層を上回る
• Authors: Ryuta Mizutani, Senta Noguchi, Rino Saiga, Yuichi Yamashita, Mitsuhiro Miyashita, Makoto Arai, and Masanari Itokawa
• Abstract要約: 我々は、統合失調症の脳ネットワークに関するナノスケールの3次元研究を報告し、神経突起が薄く丈夫であることを発見した。 これは、統合失調症患者のマイクロサーキットにおいて、遠位ニューロン間の接続が抑制されていることを示唆している。 本研究では,これらの生物学的知見を統合失調症を模倣するニューラルネットワークの設計に応用し,疾患の関連性の変化をシミュレートした。
• 参考スコア（独自算出の注目度）: 0.13192560874022083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We have reported nanometer-scale three-dimensional studies of brain networks of schizophrenia cases and found that their neurites are thin and tortuous compared to healthy controls. This suggests that connections between distal neurons are suppressed in microcircuits of schizophrenia cases. In this study, we applied these biological findings to the design of schizophrenia-mimicking artificial neural network to simulate the observed connection alteration in the disorder. Neural networks having a "schizophrenia connection layer" in place of a fully connected layer were subjected to image classification tasks using the MNIST and CIFAR-10 datasets. The results revealed that the schizophrenia connection layer is tolerant to overfitting and outperforms a fully connected layer. The outperformance was observed only for networks using band matrices as weight windows, indicating that the shape of the weight matrix is relevant to the network performance. A schizophrenia convolution layer was also tested using the VGG configuration, showing that 60% of the kernel weights of the last three convolution layers can be eliminated without loss of accuracy. The schizophrenia layers can be used instead of conventional layers without any change in the network configuration and training procedures; hence, neural networks can easily take advantage of these layers. The results of this study suggest that the connection alteration found in schizophrenia is not a burden to the brain, but has functional roles in brain performance.
• Abstract（参考訳）: 統合失調症の脳ネットワークに関するナノスケールの3次元研究を報告し、それらのニューロナイトは正常な制御と比較して薄く、不安定であることを見出した。 これは統合失調症の小循環において遠位ニューロン間の結合が抑制されることを示唆している。 本研究では,これらの生物学的知見を統合失調症を模倣する人工神経回路の設計に適用し,障害の接続変化をシミュレーションした。 mnistとcifar-10のデータセットを用いて,完全連結層に代えて「分裂性接続層」を有するニューラルネットワークを画像分類タスクとした。 以上の結果から,統合失調症結合層は完全連結層を過度に適合させ,性能に優れることが明らかとなった。 アウトパフォーマンスはバンド行列をウエイトウインドウとして使用するネットワークでのみ観察され,ウエイトマトリクスの形状がネットワーク性能に関係していることが示唆された。 統合失調症の畳み込み層もVGG構成を用いてテストし、最後の3つの畳み込み層のカーネル重量の60%は精度を損なわずに除去できることを示した。 統合失調症層は、ネットワーク構成やトレーニング手順を変更することなく、従来のレイヤの代わりに使用することができるため、ニューラルネットワークはこれらのレイヤを簡単に活用することができる。 本研究の結果から,統合失調症における接続変化は脳への負担ではなく,機能的役割を持つことが示唆された。

関連論文リスト

• Contrasformer: A Brain Network Contrastive Transformer for Neurodegenerative Condition Identification [15.24676785238373]
  本稿では,新しいコントラスト型脳ネットワークトランスであるContrasformerを提案する。 サブポピュレーション間の分布シフトに対処するために、事前知識付きコントラストグラフを生成する。 コントラストフォーマーは、最大10.8%の精度向上によって、脳ネットワークの最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-09-17T07:26:02Z)
• Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images [1.7199363076349776]
  本研究は、統合失調症患者の分類のための深層学習手法を紹介する。 我々はSSA(Spatial Sequence Attention)と呼ばれる多様な注意機構を実装することでこれを実現している。 本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
  論文  参考訳（メタデータ） (2024-06-18T14:55:41Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
  本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。 階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
  論文  参考訳（メタデータ） (2023-05-06T22:14:13Z)
• Benign Overfitting for Two-layer ReLU Convolutional Neural Networks [60.19739010031304]
  ラベルフリップ雑音を持つ2層ReLU畳み込みニューラルネットワークを学習するためのアルゴリズム依存型リスクバウンダリを確立する。 緩やかな条件下では、勾配降下によってトレーニングされたニューラルネットワークは、ほぼゼロに近いトレーニング損失とベイズ最適試験リスクを達成できることを示す。
  論文  参考訳（メタデータ） (2023-03-07T18:59:38Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Investigating Brain Connectivity with Graph Neural Networks and GNNExplainer [0.0]
  我々は,ディープラーニングによる音声聴取作業において,機能的接続性の詳細な検討を行った。 本稿では,脳波データをグラフ領域の信号として表現するグラフニューラルネットワークに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-04T07:47:13Z)
• 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)
• Benign Overfitting in Two-layer Convolutional Neural Networks [90.75603889605043]
  2層畳み込みニューラルネットワーク(CNN)の訓練における良性過剰適合現象の検討 信号対雑音比が一定の条件を満たすと、勾配降下により訓練された2層CNNが任意に小さな訓練と試験損失を達成できることを示す。 一方、この条件が保たない場合、オーバーフィッティングは有害となり、得られたCNNは一定レベルのテスト損失しか達成できない。
  論文  参考訳（メタデータ） (2022-02-14T07:45:51Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)

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。