論文の概要: Multi-View Brain HyperConnectome AutoEncoder For Brain State Classification

• arxiv url: http://arxiv.org/abs/2009.11553v1
• Date: Thu, 24 Sep 2020 08:51:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 04:57:53.304307
• Title: Multi-View Brain HyperConnectome AutoEncoder For Brain State Classification
• Title（参考訳）: 脳状態分類のためのマルチビュー脳ハイパーコネクトームオートエンコーダ
• Authors: Alin Banka, Inis Buzi and Islem Rekik
• Abstract要約: 本稿では,近傍のアルゴリズムに基づいて,各脳の視線に対するハイパーコネクトームを構築するための新しい手法を提案する。 また,マルチビュー・ハイパーコネクトーム上で直接動作するハイパーコネクトーム・オートエンコーダ・フレームワークを設計する。 実験の結果,HCAEによる脳内埋め込みが脳状態の分類に有効であることが判明した。
• 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: Graph embedding is a powerful method to represent graph neurological data (e.g., brain connectomes) in a low dimensional space for brain connectivity mapping, prediction and classification. However, existing embedding algorithms have two major limitations. First, they primarily focus on preserving one-to-one topological relationships between nodes (i.e., regions of interest (ROIs) in a connectome), but they have mostly ignored many-to-many relationships (i.e., set to set), which can be captured using a hyperconnectome structure. Second, existing graph embedding techniques cannot be easily adapted to multi-view graph data with heterogeneous distributions. In this paper, while cross-pollinating adversarial deep learning with hypergraph theory, we aim to jointly learn deep latent embeddings of subject0specific multi-view brain graphs to eventually disentangle different brain states. First, we propose a new simple strategy to build a hyperconnectome for each brain view based on nearest neighbour algorithm to preserve the connectivities across pairs of ROIs. Second, we design a hyperconnectome autoencoder (HCAE) framework which operates directly on the multi-view hyperconnectomes based on hypergraph convolutional layers to better capture the many-to-many relationships between brain regions (i.e., nodes). For each subject, we further regularize the hypergraph autoencoding by adversarial regularization to align the distribution of the learned hyperconnectome embeddings with that of the input hyperconnectomes. We formalize our hyperconnectome embedding within a geometric deep learning framework to optimize for a given subject, thereby designing an individual-based learning framework. Our experiments showed that the learned embeddings by HCAE yield to better results for brain state classification compared with other deep graph embedding methods methods.
• Abstract（参考訳）: グラフ埋め込みは、脳の接続マッピング、予測、分類のための低次元空間におけるグラフ神経学的データ(例えば脳コネクトーム)を表現する強力な方法である。 しかし、既存の埋め込みアルゴリズムには2つの大きな制限がある。 まず、ノード間の1対1のトポロジ的関係(例えば、コネクトーム内の関心領域(ROI))を保存することに重点を置いているが、それらは主に、ハイパーコネクトーム構造を用いてキャプチャできる多対多の関係(セット)を無視している。 第二に、既存のグラフ埋め込み技術は、異種分布を持つマルチビューグラフデータに容易に適用できない。 本稿では,超グラフ理論による対向深層学習を相互に補間しながら,主観0種別多視点脳グラフの深部潜伏埋め込みを共同で学習し,最終的に異なる脳状態が乱れるようにする。 まず,一対のrois間の接続性を保存するために,近接近傍アルゴリズムに基づく脳ビュー毎にハイパーコネクトームを構築するための新しい簡便な戦略を提案する。 第2に,ハイパーグラフ畳み込み層に基づくマルチビューハイパーコネクトーム上で直接動作するハイパーコネクトームオートエンコーダ(hcae)フレームワークを設計し,脳領域(すなわちノード)間の多対多の関係をよりよく把握する。 各被験者に対して,逆正則化によるハイパーグラフの自動符号化をさらに規則化し,学習したハイパーコネクトーム埋め込みの分布と入力されたハイパーコネクトームの分布を一致させる。 ハイパーコネクトームの埋め込みを幾何学的ディープラーニングフレームワーク内に形式化し,対象を最適化することで,個々の学習フレームワークを設計する。 実験の結果,HCAEによる学習した埋め込みは,他の深層グラフ埋め込み法と比較して,脳状態分類の精度が高いことがわかった。

関連論文リスト

• Cell Attention Networks [25.72671436731666]
  グラフの頂点上で定義されたデータを操作するニューラルネットワークであるCell Attention Networks (CANs)を紹介する。 CANは、細胞複合体にコードされているように、下部と上部の地区を利用して、2つの独立したマスク付き自己保持機構を設計する。 実験結果から,CANはグラフベースの学習課題における技術結果と同等に比較可能な,低複雑性戦略であることが示唆された。
  論文  参考訳（メタデータ） (2022-09-16T21:57:39Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• 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)
• Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network [1.6114012813668934]
  topoGANアーキテクチャを導入し、単一の脳グラフから複数の脳グラフを共同で予測する。 i) 1つのグラフから複数の脳グラフを予測する新しいグラフ対向オートエンコーダを設計すること、(ii)GANのモード崩壊問題に対処するために符号化されたソースグラフをクラスタリングすること、(iii)トポロジ的損失を導入して、トポロジ的ターゲット脳グラフの予測を強要することである。
  論文  参考訳（メタデータ） (2021-05-06T10:20:45Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating Connectional Brain Templates [0.0]
  接続脳テンプレート(CBT)は、脳ネットワークの集団の正規化されたグラフベースの表現です。 Deep Graph Normalizer(DGN)は、MVBNの個体群を正規化する最初の幾何学的ディープラーニングアーキテクチャである。 DGNは、被験者を横断する非線形パターンを捉えながら、マルチビュー脳ネットワークを融合する方法を学ぶ。
  論文  参考訳（メタデータ） (2020-12-28T08:01:49Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• 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)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。