論文の概要: Deep EvoGraphNet Architecture For Time-Dependent Brain Graph Data
Synthesis From a Single Timepoint
- arxiv url: http://arxiv.org/abs/2009.13217v1
- Date: Mon, 28 Sep 2020 11:10:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 22:24:37.392741
- Title: Deep EvoGraphNet Architecture For Time-Dependent Brain Graph Data
Synthesis From a Single Timepoint
- Title（参考訳）: 時間依存型脳グラフデータ合成のためのDeep EvoGraphNetアーキテクチャ
- Authors: Ahmed Nebli, Ugur Ali Kaplan and Islem Rekik
- Abstract要約: EvoGraphNetは、時間に依存した脳グラフの進化を単一の視点から予測するための、幾何学的深層学習によるグラフ生成敵ネットワーク(gGAN)である。
EvoGraphNetの変種と短縮バージョンに対する一連のベンチマークでは、単一のベースラインタイムポイントを使用して、最小の脳グラフ進化予測誤差を達成できることが示されている。
- 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: Learning how to predict the brain connectome (i.e. graph) development and
aging is of paramount importance for charting the future of within-disorder and
cross-disorder landscape of brain dysconnectivity evolution. Indeed, predicting
the longitudinal (i.e., time-dependent ) brain dysconnectivity as it emerges
and evolves over time from a single timepoint can help design personalized
treatments for disordered patients in a very early stage. Despite its
significance, evolution models of the brain graph are largely overlooked in the
literature. Here, we propose EvoGraphNet, the first end-to-end geometric deep
learning-powered graph-generative adversarial network (gGAN) for predicting
time-dependent brain graph evolution from a single timepoint. Our EvoGraphNet
architecture cascades a set of time-dependent gGANs, where each gGAN
communicates its predicted brain graphs at a particular timepoint to train the
next gGAN in the cascade at follow-up timepoint. Therefore, we obtain each next
predicted timepoint by setting the output of each generator as the input of its
successor which enables us to predict a given number of timepoints using only
one single timepoint in an end- to-end fashion. At each timepoint, to better
align the distribution of the predicted brain graphs with that of the
ground-truth graphs, we further integrate an auxiliary Kullback-Leibler
divergence loss function. To capture time-dependency between two consecutive
observations, we impose an l1 loss to minimize the sparse distance between two
serialized brain graphs. A series of benchmarks against variants and ablated
versions of our EvoGraphNet showed that we can achieve the lowest brain graph
evolution prediction error using a single baseline timepoint. Our EvoGraphNet
code is available at http://github.com/basiralab/EvoGraphNet.
- Abstract（参考訳）: 脳のコネクトーム(すなわち、グラフ)の発達と老化の予測の仕方を学ぶことは、脳のディコネクティビティ進化の内外および横断的な風景のグラフ化において最重要となる。
実際、経時的(つまり時間に依存した)脳のジスコネクチビティが1つの時点から出現し、進化するにつれて予測することは、障害のある患者のパーソナライズされた治療を非常に早い段階で設計するのに役立ちます。
その重要性にもかかわらず、脳グラフの進化モデルはほとんど文献で見過ごされている。
本稿では,1つの時間点から時間依存性の脳グラフの進化を予測するための,幾何学的深層学習によるグラフ生成対向ネットワーク(gGAN)であるEvoGraphNetを提案する。
私たちのEvoGraphNetアーキテクチャは、時間依存のgGANをカスケードし、それぞれのgGANが予測された脳グラフを特定の時間ポイントで通信し、フォローアップタイムポイントで次のgGANをトレーニングします。
従って、各ジェネレータの出力をその後継の入力として設定することで、次の予測タイムポイントを得ることができ、エンドツーエンドで1つのタイムポイントのみを使用して、所定の回数のタイムポイントを予測できる。
各時点において、予測された脳グラフの分布と地絡グラフの分布をよりよく整合させるため、補助的なKullback-Leibler分散損失関数を統合する。
2つの連続した観測間の時間依存性を捉えるため、2つの連続した脳グラフ間のスパース距離を最小化するためにl1ロスを課した。
EvoGraphNetの変種と短縮バージョンに対する一連のベンチマークでは、単一のベースラインタイムポイントを使用して、最小の脳グラフ進化予測誤差を達成できることが示されている。
私たちのEvoGraphNetコードはhttp://github.com/basiralab/EvoGraphNetで利用可能です。
関連論文リスト
- FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure
Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。
提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。
7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文 参考訳（メタデータ） (2023-11-10T17:13:26Z) - Networked Time Series Imputation via Position-aware Graph Enhanced
Variational Autoencoders [31.953958053709805]
我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。
実験の結果,ベースライン上でのモデルの有効性が示された。
論文 参考訳（メタデータ） (2023-05-29T21:11:34Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳（メタデータ） (2022-06-07T09:08:35Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - Recurrent Multigraph Integrator Network for Predicting the Evolution of
Population-Driven Brain Connectivity Templates [0.0]
それぞれのグラフは、関心の対の脳領域(ROI)の間の特定の関係を定量化する。
我々のReMI-Netは、各CBTノードの隠れ状態埋め込みを学習するためにクロスノードメッセージパスを使用して、グラフ畳み込み層を持つ繰り返しニューラルネットワークブロックで構成されています。
我々は、学習した隠れ状態グラフ表現からCBT隣接行列を導出する。
論文 参考訳（メタデータ） (2021-10-06T10:00:05Z) - Foreseeing Brain Graph Evolution Over Time Using Deep Adversarial
Network Normalizer [0.0]
我々は,脳グラフの正規化を学習する最初のグラフベース生成適応ネットワーク(gGAN)を提案する。
提案手法は, 単一の基準点を用いた脳疾患進展予測誤差の最小化に成功した。
論文 参考訳（メタデータ） (2020-09-23T14:25:40Z) - Topology-Aware Generative Adversarial Network for Joint Prediction of
Multiple Brain Graphs from a Single Brain Graph [1.2891210250935146]
我々は、単一の脳グラフから複数の脳グラフを予測するMultiGraphGANアーキテクチャを導入する。
i) 1つのグラフから共同で脳グラフを予測するグラフ対向オートエンコーダを設計し、(ii) 符号化したソースグラフをクラスタ化し、クラスタ固有のデコーダを提案することにより、GANのモード崩壊問題を扱う。
論文 参考訳（メタデータ） (2020-09-23T11:23:08Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。