論文の概要: Residual Embedding Similarity-Based Network Selection for Predicting
Brain Network Evolution Trajectory from a Single Observation
- arxiv url: http://arxiv.org/abs/2009.11110v1
- Date: Wed, 23 Sep 2020 12:40:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 15:44:43.154808
- Title: Residual Embedding Similarity-Based Network Selection for Predicting
Brain Network Evolution Trajectory from a Single Observation
- Title（参考訳）: 単一観測による脳ネットワーク進化軌跡予測のための残留埋め込み類似性に基づくネットワーク選択
- Authors: Ahmet Serkan Goktas, Alaa Bessadok and Islem Rekik
- Abstract要約: 本稿では,脳ネットワークの進化軌道を予測するために,Residual Embedding similarity-Based Network selection (RESNets)を提案する。
健康な脳ネットワークと障害のある脳ネットワークに関する実験は、提案手法の成功を実証している。
- 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: While existing predictive frameworks are able to handle Euclidean structured
data (i.e, brain images), they might fail to generalize to geometric
non-Euclidean data such as brain networks. Besides, these are rooted the sample
selection step in using Euclidean or learned similarity measure between
vectorized training and testing brain networks. Such sample connectomic
representation might include irrelevant and redundant features that could
mislead the training sample selection step. Undoubtedly, this fails to exploit
and preserve the topology of the brain connectome. To overcome this major
drawback, we propose Residual Embedding Similarity-Based Network selection
(RESNets) for predicting brain network evolution trajectory from a single
timepoint. RESNets first learns a compact geometric embedding of each training
and testing sample using adversarial connectome embedding network. This nicely
reduces the high-dimensionality of brain networks while preserving their
topological properties via graph convolutional networks. Next, to compute the
similarity between subjects, we introduce the concept of a connectional brain
template (CBT), a fixed network reference, where we further represent each
training and testing network as a deviation from the reference CBT in the
embedding space. As such, we select the most similar training subjects to the
testing subject at baseline by comparing their learned residual embeddings with
respect to the pre-defined CBT. Once the best training samples are selected at
baseline, we simply average their corresponding brain networks at follow-up
timepoints to predict the evolution trajectory of the testing network. Our
experiments on both healthy and disordered brain networks demonstrate the
success of our proposed method in comparison to RESNets ablated versions and
traditional approaches.
- Abstract（参考訳）: 既存の予測フレームワークはユークリッド構造データ(すなわち脳画像)を扱うことができるが、それらは脳ネットワークのような幾何学的非ユークリッドデータに一般化できない。
さらにこれらは、Euclideanを使ったサンプル選択のステップや、ベクトル化トレーニングと脳ネットワークのテストの類似性の学習を根ざしている。
このようなサンプルコネクトロミック表現は、トレーニングサンプル選択ステップを誤解させる可能性のある、無関係で冗長な特徴を含むかもしれない。
間違いなく、これは脳コネクトームのトポロジーを搾取し、保存することができない。
この大きな欠点を克服するため、単一視点から脳ネットワークの進化軌道を予測するためにResidual Embedding similarity-Based Network selection (RESNets)を提案する。
resnetsはまず、adversarial connectome embedded networkを使って各トレーニングおよびテストサンプルのコンパクトな幾何埋め込みを学習する。
これにより、グラフ畳み込みネットワークによるトポロジ特性を保ちながら、脳ネットワークの高次元性をうまく低減できる。
次に、被験者間の類似度を計算するために、固定されたネットワーク参照であるconnectional brain template(cbt)の概念を導入し、各トレーニングおよびテストネットワークを埋め込み空間における参照cbtからの逸脱として表現する。
そこで,本研究では,学習した残留埋め込みを予め定義されたCBTと比較することにより,ベースラインでテスト対象と最もよく似た訓練対象を選択する。
最適なトレーニングサンプルがベースラインで選択されると、テストネットワークの進化軌道を予測するために、フォローアップタイムポイントで対応する脳ネットワークを平均化する。
健康な脳ネットワークと無秩序な脳ネットワークにおける実験は,提案手法が,改良版や従来の手法と比較して有効であることを示した。
関連論文リスト
- Iterative self-transfer learning: A general methodology for response
time-history prediction based on small dataset [0.0]
本研究では,小さなデータセットに基づいてニューラルネットワークを学習するための反復的自己伝達学習手法を提案する。
提案手法は,小さなデータセットに対して,ほぼ一桁の精度でモデル性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-06-14T18:48:04Z) - BrainNPT: Pre-training of Transformer networks for brain network
classification [3.8906116457135966]
我々は脳機能ネットワーク分類のためのトランスフォーマーベースニューラルネットワークであるBrainNPTを提案した。
我々は、ラベルのない脳ネットワークデータを活用するために、BrainNPTモデルのための事前学習フレームワークを提案した。
分類実験の結果, 事前学習を伴わないBrainNPTモデルが最も優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-02T13:01:59Z) - Neural Networks beyond explainability: Selective inference for sequence
motifs [5.620334754517149]
抽出した特徴と予測表現型との関連性をテストするための選択的推論手法であるSEISMを紹介する。
我々は、この選択を無限集合から大きくても有限な格子に量子化することで、既存のサンプリングベース選択推論手法を適用する。
パラメータの特定の選択の下でのサンプリングは、通常選択推論に使用される合成ヌル仮説を特徴づけるのに十分であることを示す。
論文 参考訳（メタデータ） (2022-12-23T10:49:07Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - A Comparative Study of Machine Learning Methods for Predicting the
Evolution of Brain Connectivity from a Baseline Timepoint [0.0]
コネクトームとも呼ばれる脳ネットワークの進化を予測することで、接続に関連する神経疾患を早期に発見することができる。
私たちはKaggleコンペティションを開催し、20の競合チームが単一の時間ポイントから脳の接続性進化を予測するための高度な機械学習パイプラインを設計しました。
論文 参考訳（メタデータ） (2021-09-16T06:13:49Z) - Predicting cognitive scores with graph neural networks through sample
selection learning [0.0]
機能的脳コネクトームは知能商(IQ)スコアなどの認知的指標を予測するために用いられる。
脳の接続からIQスコアを予測するための新しい回帰GNNモデル(RegGNN)を設計する。
また,最も予測力の高いトレーニングサンプルの選定方法を学ぶことを目的とした,emphlearningに基づくサンプル選択手法を提案する。
論文 参考訳（メタデータ） (2021-06-17T11:45:39Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - 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) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z)
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。