論文の概要: GSR-Net: Graph Super-Resolution Network for Predicting High-Resolution
from Low-Resolution Functional Brain Connectomes
- arxiv url: http://arxiv.org/abs/2009.11080v1
- Date: Wed, 23 Sep 2020 12:02:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 16:38:38.940179
- Title: GSR-Net: Graph Super-Resolution Network for Predicting High-Resolution
from Low-Resolution Functional Brain Connectomes
- Title（参考訳）: GSR-Net:低分解能脳コネクトームからの高分解能予測のためのグラフ超解法ネットワーク
- Authors: Megi Isallari and Islem Rekik
- Abstract要約: 低分解能グラフから高分解能脳グラフを生成するグラフ構造化データを操作する最初の超解像フレームワークであるGSR-Netを紹介する。
まず、非ユークリッドデータに特有のグラフ畳み込み、プーリング、アンプール操作に基づくU-Netのようなアーキテクチャを採用する。
第2に、スペクトル理論から着想を得たU-Netアーキテクチャの対称性を、HRグラフを予測するために、グラフ超解像層と2つのグラフ畳み込みネットワーク層でトッピングすることで破壊する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Catchy but rigorous deep learning architectures were tailored for image
super-resolution (SR), however, these fail to generalize to non-Euclidean data
such as brain connectomes. Specifically, building generative models for
super-resolving a low-resolution (LR) brain connectome at a higher resolution
(HR) (i.e., adding new graph nodes/edges) remains unexplored although this
would circumvent the need for costly data collection and manual labelling of
anatomical brain regions (i.e. parcellation). To fill this gap, we introduce
GSR-Net (Graph Super-Resolution Network), the first super-resolution framework
operating on graph-structured data that generates high-resolution brain graphs
from low-resolution graphs. First, we adopt a U-Net like architecture based on
graph convolution, pooling and unpooling operations specific to non-Euclidean
data. However, unlike conventional U-Nets where graph nodes represent samples
and node features are mapped to a low-dimensional space (encoding and decoding
node attributes or sample features), our GSR-Net operates directly on a single
connectome: a fully connected graph where conventionally, a node denotes a
brain region, nodes have no features, and edge weights denote brain
connectivity strength between two regions of interest (ROIs). In the absence of
original node features, we initially assign identity feature vectors to each
brain ROI (node) and then leverage the learned local receptive fields to learn
node feature representations. Second, inspired by spectral theory, we break the
symmetry of the U-Net architecture by topping it up with a graph
super-resolution (GSR) layer and two graph convolutional network layers to
predict a HR graph while preserving the characteristics of the LR input. Our
proposed GSR-Net framework outperformed its variants for predicting
high-resolution brain functional connectomes from low-resolution connectomes.
- Abstract（参考訳）: 派手だが厳密なディープラーニングアーキテクチャは、画像超解像(SR)向けに調整されたが、脳コネクトームのような非ユークリッドデータに一般化できなかった。
特に、高分解能(hr)での低解像度(lr)脳コネクトーム(つまり新しいグラフノード/エッジの追加)をスーパーレゾリューションするための生成モデルの構築は、コストのかかるデータ収集や解剖学的脳領域の手動ラベリング(すなわちセルリング)の必要性を回避し、未検討のままである。
このギャップを埋めるために、低分解能グラフから高分解能脳グラフを生成するグラフ構造化データを操作する最初の超解像フレームワークであるGSR-Net(Graph Super-Resolution Network)を導入する。
まず、グラフ畳み込み、プーリング、および非ユークリッドデータ特有のアンプール操作に基づくu-netのようなアーキテクチャを採用する。
しかし、グラフノードがサンプルを表し、ノードの特徴が低次元空間(ノード属性やサンプル特徴のエンコーディングとデコード)にマッピングされる従来のu-netとは異なり、gsr-netは単一のコネクトーム上で直接動作します。
元のノード機能がない場合、まず各脳roi(ノード)に識別特徴ベクトルを割り当て、学習した局所受容野を利用してノードの特徴表現を学習する。
第2に、スペクトル理論から着想を得たU-Netアーキテクチャの対称性を、グラフ超解像(GSR)層と2つのグラフ畳み込みネットワーク層で切り離して、LR入力の特性を保ちながらHRグラフを予測する。
提案するgsr-netフレームワークは,低解像度コネクトームから高分解能脳機能コネクトームを予測するために,その変種よりも優れていた。
関連論文リスト
- Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳（メタデータ） (2024-11-19T08:32:14Z) - Strongly Topology-preserving GNNs for Brain Graph Super-resolution [5.563171090433323]
脳グラフ超解像(英: Brain graph super- resolution, SR)は、ネットワーク神経科学において研究されていないが、非常に関連性の高い課題である。
現在のSR手法では、グラフ構造化データセットを処理できるため、グラフニューラルネットワーク(GNN)を活用している。
我々は、低分解能(LR)脳グラフのエッジ空間から高分解能(HR)双対グラフのノード空間への効率的なマッピングを開発する。
論文 参考訳（メタデータ） (2024-11-01T03:29:04Z) - Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-05-18T07:27:18Z) - Inter-Domain Alignment for Predicting High-Resolution Brain Networks
Using Teacher-Student Learning [0.0]
本稿では,脳グラフを超解する知識蒸留ネットワーク(L2S-KDnet)による脳グラフの超解法を提案する。
教師ネットワークは、まず、LR脳グラフの埋め込みを学習し、第二に、得られた潜在表現をHR基底真理データ分布に整合させる方法を学ぶグラフエンコーダデコーダである。
次に、学生ネットワークは、教師から受け継いだ予測されたHRグラフのトポロジ的構造とともに、整列した脳グラフの知識を学習する。
論文 参考訳（メタデータ） (2021-10-06T09:31:44Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳（メタデータ） (2021-09-06T03:16:56Z) - Graph Entropy Guided Node Embedding Dimension Selection for Graph Neural
Networks [74.26734952400925]
ノード埋め込み次元選択(NEDS)のための最小グラフエントロピー(MinGE)アルゴリズムを提案する。
ミンゲは、グラフ上の特徴エントロピーと構造エントロピーの両方を考えており、それらはそれらのリッチな情報の特徴に従って慎重に設計されている。
ベンチマークデータセット上で人気のグラフニューラルネットワーク(GNN)を用いた実験は,提案したMinGEの有効性と一般化性を示す。
論文 参考訳（メタデータ） (2021-05-07T11:40:29Z) - Brain Graph Super-Resolution Using Adversarial Graph Neural Network with
Application to Functional Brain Connectivity [0.0]
ハイレゾリューション(HR)脳グラフの自動生成を試みる,世界初のディープグラフスーパーレゾリューション(GSR)フレームワークを提案する。
提案されたAGSR-Netフレームワークは、低解像度から高分解能機能脳グラフを予測するための変種を上回った。
論文 参考訳（メタデータ） (2021-05-02T09:09:56Z) - Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。
提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。
また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
論文 参考訳（メタデータ） (2020-02-13T00:03:09Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳（メタデータ） (2020-01-21T15:51:17Z)
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。