論文の概要: RA-GCN: Graph Convolutional Network for Disease Prediction Problems with Imbalanced Data

• arxiv url: http://arxiv.org/abs/2103.00221v1
• Date: Sat, 27 Feb 2021 14:06:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 18:34:50.401949
• Title: RA-GCN: Graph Convolutional Network for Disease Prediction Problems with Imbalanced Data
• Title（参考訳）: RA-GCN:不均衡データを用いた疾患予測問題のグラフ畳み込みネットワーク
• Authors: Mahsa Ghorbani, Anees Kazi, Mahdieh Soleymani Baghshah, Hamid R. Rabiee, Nassir Navab
• Abstract要約: クラス不均衡は疾患予測の分野でよく知られた問題である。 本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。 本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
• 参考スコア（独自算出の注目度）: 47.00510780034136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Disease prediction is a well-known classification problem in medical applications. Graph neural networks provide a powerful tool for analyzing the patients' features relative to each other. Recently, Graph Convolutional Networks (GCNs) have particularly been studied in the field of disease prediction. Due to the nature of such medical datasets, the class imbalance is a familiar issue in the field of disease prediction. When the class imbalance is present in the data, the existing graph-based classifiers tend to be biased towards the major class(es). Meanwhile, the correct diagnosis of the rare true-positive cases among all the patients is vital. In conventional methods, such imbalance is tackled by assigning appropriate weights to classes in the loss function; however, this solution is still dependent on the relative values of weights, sensitive to outliers, and in some cases biased towards the minor class(es). In this paper, we propose Re-weighted Adversarial Graph Convolutional Network (RA-GCN) to enhance the performance of the graph-based classifier and prevent it from emphasizing the samples of any particular class. This is accomplished by automatically learning to weigh the samples of the classes. For this purpose, a graph-based network is associated with each class, which is responsible for weighing the class samples and informing the classifier about the importance of each sample. Therefore, the classifier adjusts itself and determines the boundary between classes with more attention to the important samples. The parameters of the classifier and weighing networks are trained by an adversarial approach. At the end of the adversarial training process, the boundary of the classifier is more accurate and unbiased. We show the superiority of RA-GCN on synthetic and three publicly available medical datasets compared to the recent method.
• Abstract（参考訳）: 疾患予測は医学応用においてよく知られた分類問題である。 グラフニューラルネットワークは、患者の特徴を相対的に分析するための強力なツールを提供する。 近年, グラフ畳み込みネットワーク (GCN) は疾患予測の分野で特に研究されている。 このような医学データセットの性質から、クラス不均衡は疾患予測の分野でよく知られた問題である。 データにクラス不均衡が存在する場合、既存のグラフベースの分類器は主要なクラス(es)に偏りがちである。 一方、すべての患者の間でまれな真の陽性症例の正しい診断は不可欠です。 従来の方法では、そのような不均衡は損失関数のクラスに適切な重みを割り当てることによって取り組まれるが、この解は未だに重みの相対値に依存し、外れ値に敏感であり、場合によってはマイナークラスに偏っている。 本稿では,グラフベース分類器の性能を高め,特定のクラスのサンプルを強調することを防止するため,再重み付けされた逆グラフ畳み込みネットワーク (ra-gcn) を提案する。 これは、クラスのサンプルを自動で測定することで達成される。 この目的のために、グラフベースのネットワークは各クラスに関連付けられ、クラスサンプルを重み付けし、各サンプルの重要性を分類器に通知する。 したがって、分類器は自身を調整し、重要なサンプルに注意を向けてクラス間の境界を決定する。 分類器と重み付けネットワークのパラメータは、敵対的なアプローチで訓練される。 反対のトレーニングプロセスの終わりに、分類器の境界はより正確で偏りがありません。 本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。

関連論文リスト

• Iterative Online Image Synthesis via Diffusion Model for Imbalanced Classification [29.730360798234294]
  医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。 このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。 不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-03-13T10:51:18Z)
• Comparison of Machine Learning Classification Algorithms and Application to the Framingham Heart Study [0.0]
  医療における機械学習アルゴリズムの使用は、社会的不正と健康上の不平等を増幅することができる。 本研究は,機械学習分類アルゴリズムの開発と展開後における一般化可能性障害に関するものである。
  論文  参考訳（メタデータ） (2024-02-22T22:49:35Z)
• Class-Specific Distribution Alignment for Semi-Supervised Medical Image Classification [14.343079589464994]
  CSDA(Class-Specific Distribution Alignment)は、自己学習に基づく半教師付き学習フレームワークである。 本手法は, 半教師付き皮膚疾患, 胸部疾患, 内視鏡的画像分類作業において, 競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2023-07-29T13:38:19Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Analysing Risk of Coronary Heart Disease through Discriminative Neural Networks [18.124078832445967]
  診断のような重要なアプリケーションでは、このクラス不均衡は見過ごせない。 我々は、識別モデルと対照的な損失を用いて、ニューラルネットワークを介して、このクラス不均衡をどう扱えるかを説明する。
  論文  参考訳（メタデータ） (2020-06-17T06:30:00Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。