Fugu-MT 論文翻訳(概要): Multiplex Graph Networks for Multimodal Brain Network Analysis

論文の概要: Multiplex Graph Networks for Multimodal Brain Network Analysis

arxiv url: http://arxiv.org/abs/2108.00158v1
Date: Sat, 31 Jul 2021 06:01:29 GMT
ステータス: 処理完了
システム内更新日: 2021-08-05 04:08:11.799011
Title: Multiplex Graph Networks for Multimodal Brain Network Analysis
Title（参考訳）: マルチモーダル脳ネットワーク解析のための多重グラフネットワーク
Authors: Zhaoming Kong, Lichao Sun, Hao Peng, Liang Zhan, Yong Chen, Lifang He
Abstract要約: 我々は,マルチモーダル脳ネットワーク解析のための簡易かつ効果的な多重グラフ畳み込みネットワーク(GCN)モデルMGNetを提案する。現実の2つの挑戦的データセット(HIVと双極性障害)の分類タスクを行う。
参考スコア（独自算出の注目度）: 30.195666008281915
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose MGNet, a simple and effective multiplex graph convolutional network (GCN) model for multimodal brain network analysis. The proposed method integrates tensor representation into the multiplex GCN model to extract the latent structures of a set of multimodal brain networks, which allows an intuitive 'grasping' of the common space for multimodal data. Multimodal representations are then generated with multiplex GCNs to capture specific graph structures. We conduct classification task on two challenging real-world datasets (HIV and Bipolar disorder), and the proposed MGNet demonstrates state-of-the-art performance compared to competitive benchmark methods. Apart from objective evaluations, this study may bear special significance upon network theory to the understanding of human connectome in different modalities. The code is available at https://github.com/ZhaomingKong/MGNets.
Abstract（参考訳）: 本稿では,マルチモーダル脳ネットワーク解析のための簡易かつ効果的な多重グラフ畳み込みネットワーク(GCN)モデルMGNetを提案する。提案手法はテンソル表現をmultiplex gcnモデルに統合し,マルチモーダル脳ネットワークの集合の潜在構造を抽出し,マルチモーダルデータのための共通空間の直感的な「グラッピング」を可能にする。マルチモーダル表現は、特定のグラフ構造をキャプチャするために多重GCNで生成される。実世界の2つの課題(hivと双極性障害)で分類作業を行い,本提案手法は競争ベンチマーク法と比較して最先端の性能を示す。本研究は, 客観的評価とは別に, ネットワーク理論において, 異なるモダリティにおける人間コネクトームの理解に重要な意味を持つ可能性がある。コードはhttps://github.com/ZhaomingKong/MGNetsで入手できる。

関連論文リスト

Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文参考訳（メタデータ） (2024-10-13T02:22:14Z)
MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文参考訳（メタデータ） (2023-06-06T16:24:27Z)
Attributed Multi-order Graph Convolutional Network for Heterogeneous Graphs [29.618952407794783]
AMOGCN(AnAttributed Multi-Order Graph Convolutional Network)を提案する。 AMOGCNは最先端の競合に比べて優れた半教師付き分類性能を得る。
論文参考訳（メタデータ） (2023-04-13T08:31:16Z)
Multi-view Graph Convolutional Networks with Differentiable Node Selection [29.575611350389444]
差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。 MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。提案手法の有効性は,最先端手法と厳密な比較により検証した。
論文参考訳（メタデータ） (2022-12-09T21:48:36Z)
Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文参考訳（メタデータ） (2022-07-14T19:16:56Z)
Pay Attention to Relations: Multi-embeddings for Attributed Multiplex Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文参考訳（メタデータ） (2022-03-03T18:31:29Z)
Multiplex Bipartite Network Embedding using Dual Hypergraph Convolutional Networks [16.62391694987056]
非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
論文参考訳（メタデータ） (2021-02-12T07:20:36Z)
A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文参考訳（メタデータ） (2020-07-19T22:50:20Z)
A Novel Graph-based Multi-modal Fusion Encoder for Neural Machine Translation [131.33610549540043]
NMTのための新しいグラフベースのマルチモーダル核融合エンコーダを提案する。まず、統合マルチモーダルグラフを用いて、入力文と画像を表す。次に、複数のグラフベースのマルチモーダル融合層を積み重ねて、ノード表現を学習するためのセマンティックな相互作用を反復的に実行する。
論文参考訳（メタデータ） (2020-07-17T04:06:09Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)
Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。