論文の概要: A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint

• arxiv url: http://arxiv.org/abs/2110.03535v1
• Date: Wed, 6 Oct 2021 08:26:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 15:50:13.452883
• Title: A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint
• Title（参考訳）: ベースラインタイムポイントからのマルチモーダルベビー接続性開発予測のための数ショット学習グラフ多軌道進化ネットワーク
• Authors: Alaa Bessadok, Ahmed Nebli, Mohamed Ali Mahjoub, Gang Li, Weili Lin, Dinggang Shen and Islem Rekik
• Abstract要約: 本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。 これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
• 参考スコア（独自算出の注目度）: 53.73316520733503
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Charting the baby connectome evolution trajectory during the first year after birth plays a vital role in understanding dynamic connectivity development of baby brains. Such analysis requires acquisition of longitudinal connectomic datasets. However, both neonatal and postnatal scans are rarely acquired due to various difficulties. A small body of works has focused on predicting baby brain evolution trajectory from a neonatal brain connectome derived from a single modality. Although promising, large training datasets are essential to boost model learning and to generalize to a multi-trajectory prediction from different modalities (i.e., functional and morphological connectomes). Here, we unprecedentedly explore the question: Can we design a few-shot learning-based framework for predicting brain graph trajectories across different modalities? To this aim, we propose a Graph Multi-Trajectory Evolution Network (GmTE-Net), which adopts a teacher-student paradigm where the teacher network learns on pure neonatal brain graphs and the student network learns on simulated brain graphs given a set of different timepoints. To the best of our knowledge, this is the first teacher-student architecture tailored for brain graph multi-trajectory growth prediction that is based on few-shot learning and generalized to graph neural networks (GNNs). To boost the performance of the student network, we introduce a local topology-aware distillation loss that forces the predicted graph topology of the student network to be consistent with the teacher network. Experimental results demonstrate substantial performance gains over benchmark methods. Hence, our GmTE-Net can be leveraged to predict atypical brain connectivity trajectory evolution across various modalities. Our code is available at https: //github.com/basiralab/GmTE-Net.
• Abstract（参考訳）: 出生後1年間の赤ちゃんコネクトーム進化の軌跡は、赤ちゃんの脳のダイナミックな結合性発達を理解する上で重要な役割を担っている。 このような分析は、長手接続データセットの取得を必要とする。 しかし、新生児スキャンも生後スキャンも様々な困難から取得されることはほとんどない。 少数の研究は、単一モダリティに由来する新生児脳コネクトームから脳の進化軌道を予測することに重点を置いている。 有望ではあるが、大規模なトレーニングデータセットはモデル学習を促進し、異なるモーダル(機能的および形態的コネクトーム)から多軌道予測に一般化するために不可欠である。 異なるモードで脳グラフの軌跡を予測するための、数ショットの学習ベースのフレームワークを設計できるだろうか? そこで本研究では,教師ネットワークが純粋に新生児脳グラフを学習し,学生ネットワークが様々な時間ポイントを与えられたシミュレーション脳グラフを学習する教師学習パラダイムを取り入れたグラフ多軌道進化ネットワーク(gmte-net)を提案する。 我々の知る限りでは、これは脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャであり、少数ショット学習に基づいてグラフニューラルネットワーク(GNN)に一般化されている。 学生ネットワークの性能を高めるために,生徒ネットワークの予測グラフトポロジーを教師ネットワークと整合させる局所トポロジー対応蒸留損失を導入する。 実験により, ベンチマーク法よりもかなりの性能向上を示した。 したがって、我々のGmTE-Netは、様々なモードにわたる非定型的な脳接続軌道の進化を予測するために利用することができる。 私たちのコードはhttps: //github.com/basiralab/GmTE-Netで利用可能です。

関連論文リスト

• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Multi-Head Graph Convolutional Network for Structural Connectome Classification [8.658134276685404]
  グラフ畳み込みネットワーク(GCN)にインスパイアされた機械学習モデルを提案する。 提案するネットワークは,エッジとノードに着目したグラフ畳み込みを含む,異なるヘッドを用いたシンプルな設計である。 脳接続データから補完的特徴と代表的特徴を抽出する能力をテストするため,私たちは性分類の課題を選択した。
  論文  参考訳（メタデータ） (2023-05-02T15:04:30Z)
• 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)
• 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)
• 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)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• The large learning rate phase of deep learning: the catapult mechanism [50.23041928811575]
  問題解決可能なトレーニングダイナミクスを備えたニューラルネットワークのクラスを提示する。 現実的なディープラーニング環境において,モデルの予測とトレーニングのダイナミクスとの間には,よい一致がある。 我々の結果は、異なる学習率でトレーニングされたモデルの特性に光を当てたと信じています。
  論文  参考訳（メタデータ） (2020-03-04T17:52:48Z)

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。