論文の概要: Node-Centric Graph Learning from Data for Brain State Identification
- arxiv url: http://arxiv.org/abs/2011.02179v1
- Date: Wed, 4 Nov 2020 08:44:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 21:59:21.054530
- Title: Node-Centric Graph Learning from Data for Brain State Identification
- Title（参考訳）: 脳状態同定のためのデータからのノード中心グラフ学習
- Authors: Nafiseh Ghoroghchian, David M. Groppe, Roman Genov, Taufik A.
Valiante, and Stark C. Draper
- Abstract要約: 本稿では,グラフ上での表現学習に基づくグラフ学習手法を提案する。
頭蓋内脳波(iEEG)信号の広範囲なデータセットから,脳波の経時変化を10例から推定した。
このアプローチは、広く使われている2つの脳ネットワークモデリング手法と比較して平均9.13パーセント改善する。
- 参考スコア（独自算出の注目度）: 12.300937744235242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven graph learning models a network by determining the strength of
connections between its nodes. The data refers to a graph signal which
associates a value with each graph node. Existing graph learning methods either
use simplified models for the graph signal, or they are prohibitively expensive
in terms of computational and memory requirements. This is particularly true
when the number of nodes is high or there are temporal changes in the network.
In order to consider richer models with a reasonable computational
tractability, we introduce a graph learning method based on representation
learning on graphs. Representation learning generates an embedding for each
graph node, taking the information from neighbouring nodes into account. Our
graph learning method further modifies the embeddings to compute the graph
similarity matrix. In this work, graph learning is used to examine brain
networks for brain state identification. We infer time-varying brain graphs
from an extensive dataset of intracranial electroencephalographic (iEEG)
signals from ten patients. We then apply the graphs as input to a classifier to
distinguish seizure vs. non-seizure brain states. Using the binary
classification metric of area under the receiver operating characteristic curve
(AUC), this approach yields an average of 9.13 percent improvement when
compared to two widely used brain network modeling methods.
- Abstract（参考訳）: データ駆動グラフ学習は、ノード間の接続の強度を決定することによってネットワークをモデル化する。
データは、各グラフノードに値を関連付けるグラフ信号を指す。
既存のグラフ学習手法では、グラフ信号に単純化されたモデルを使うか、計算量やメモリ要件の面では極めて高価である。
これは、ノード数が多い場合や、ネットワークに時間的変化がある場合に特に当てはまる。
合理的な計算容量を持つリッチなモデルを考えるために,グラフ上の表現学習に基づくグラフ学習手法を提案する。
表現学習はグラフノード毎に埋め込みを生成し、近隣ノードからの情報を考慮に入れます。
グラフ学習法はグラフ類似度行列を計算するために埋め込みをさらに修正する。
この研究では、グラフ学習は脳の状態識別のための脳ネットワークを調べるために用いられる。
10例の頭蓋内脳波(ieeg)信号の広範なデータセットから, 時変脳グラフを推定した。
次に、グラフを入力として分類器に適用し、発作と非サイズレ脳状態を区別する。
受信者動作特性曲線(AUC)下の領域の2値分類基準を用いて、この手法は2つの広く使われている脳ネットワークモデリング手法と比較して平均9.13パーセント改善する。
関連論文リスト
- Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。
まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。
そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文 参考訳（メタデータ） (2024-01-01T13:44:16Z) - Balanced Graph Structure Information for Brain Disease Detection [6.799894169098717]
グラフ畳み込みネットワーク(GCN)を用いたフィルタ相関行列と最適サンプルグラフの2つのグラフ構造をモデル化したBargrainを提案する。
我々の広範な実験に基づいて、Bargrainは、平均的なF1スコアによって測定された脳疾患データセットの分類タスクにおいて、最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2023-12-30T06:50:52Z) - 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) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - GraphHD: Efficient graph classification using hyperdimensional computing [58.720142291102135]
本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。
実世界のグラフ分類問題におけるGraphHDの評価を行った。
その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
論文 参考訳（メタデータ） (2022-05-16T17:32:58Z) - Learning Graph Representations [0.0]
グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。
本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
論文 参考訳（メタデータ） (2021-02-03T12:07:55Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳（メタデータ） (2020-10-25T22:39:31Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z) - Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。
具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
論文 参考訳（メタデータ） (2020-05-07T18:00:02Z)
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。