論文の概要: One Representative-Shot Learning Using a Population-Driven Template with
Application to Brain Connectivity Classification and Evolution Prediction
- arxiv url: http://arxiv.org/abs/2110.11238v1
- Date: Wed, 6 Oct 2021 08:36:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-24 04:32:15.106336
- Title: One Representative-Shot Learning Using a Population-Driven Template with
Application to Brain Connectivity Classification and Evolution Prediction
- Title（参考訳）: 集団駆動テンプレートを用いた代表ショット学習と脳接続分類と進化予測への応用
- Authors: Umut Guvercin, Mohammed Amine Gharsallaoui and Islem Rekik
- Abstract要約: グラフニューラルネットワーク(GNN)は、ネットワーク神経科学の分野に導入されている。
私たちは、GNNのトレーニングにおいて、まったく異なるアプローチを取っています。
我々は、GNNが単一集団駆動型テンプレートで訓練される最初のワンショットパラダイムを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Few-shot learning presents a challenging paradigm for training discriminative
models on a few training samples representing the target classes to
discriminate. However, classification methods based on deep learning are
ill-suited for such learning as they need large amounts of training data --let
alone one-shot learning. Recently, graph neural networks (GNNs) have been
introduced to the field of network neuroscience, where the brain connectivity
is encoded in a graph. However, with scarce neuroimaging datasets particularly
for rare diseases and low-resource clinical facilities, such data-devouring
architectures might fail in learning the target task. In this paper, we take a
very different approach in training GNNs, where we aim to learn with one sample
and achieve the best performance --a formidable challenge to tackle.
Specifically, we present the first one-shot paradigm where a GNN is trained on
a single population-driven template --namely a connectional brain template
(CBT). A CBT is a compact representation of a population of brain graphs
capturing the unique connectivity patterns shared across individuals. It is
analogous to brain image atlases for neuroimaging datasets. Using a
one-representative CBT as a training sample, we alleviate the training load of
GNN models while boosting their performance across a variety of classification
and regression tasks. We demonstrate that our method significantly outperformed
benchmark one-shot learning methods with downstream classification and
time-dependent brain graph data forecasting tasks while competing with the
train-on-all conventional training strategy. Our source code can be found at
https://github.com/basiralab/one-representative-shot-learning.
- Abstract（参考訳）: 少数ショット学習は、ターゲットクラスを表すいくつかのトレーニングサンプル上で差別モデルを訓練する上で難しいパラダイムである。
しかし、深層学習に基づく分類法は、一発学習だけでなく、大量のトレーニングデータを必要とするため、このような学習には不適である。
近年、グラフニューラルネットワーク(GNN)がネットワーク神経科学の分野に導入され、脳の接続性はグラフに符号化されている。
しかし、特に希少な疾患や低リソース臨床施設の神経画像データセットが不足しているため、そのようなデータ破壊アーキテクチャーは目標とする課題を学習するのに失敗する可能性がある。
本稿では、GNNのトレーニングにおいて非常に異なるアプローチを取り、ひとつのサンプルで学習し、最高のパフォーマンスを達成することを目指しています。
具体的には、GNNが単一の集団駆動型テンプレート、すなわちコネクショナル脳テンプレート(CBT)でトレーニングされる最初のワンショットパラダイムを示す。
cbtは、個人間で共有されるユニークな接続パターンを捉える脳グラフの集団のコンパクトな表現である。
神経画像データセットのための脳画像アトラスと類似している。
一つの表現型CBTをトレーニングサンプルとして使用することにより,GNNモデルのトレーニング負荷を軽減するとともに,さまざまな分類タスクや回帰タスクにおける性能を向上させる。
本手法は,従来のトレーニング戦略と競合しながら,ダウンストリーム分類と時間依存型脳グラフデータ予測タスクを用いた単発学習手法のベンチマークを有意に上回っていた。
ソースコードはhttps://github.com/basiralab/one-representative-shot-learningにあります。
関連論文リスト
- Training Better Deep Learning Models Using Human Saliency [11.295653130022156]
本研究では、画像の正常領域に関する人間の判断が、ディープ畳み込みニューラルネットワーク(DCNN)トレーニングにどのように導入できるかを考察する。
本稿では,ConveYs Brain Oversight to raise Generalization (CYBORG) における損失関数の新たな構成要素を提案する。
論文 参考訳（メタデータ） (2024-10-21T16:52:44Z) - BEND: Bagging Deep Learning Training Based on Efficient Neural Network Diffusion [56.9358325168226]
BEND(Efficient Neural Network Diffusion)に基づくバッグング深層学習学習アルゴリズムを提案する。
我々のアプローチは単純だが効果的であり、まず複数のトレーニングされたモデルの重みとバイアスを入力として、オートエンコーダと潜伏拡散モデルを訓練する。
提案したBENDアルゴリズムは,元のトレーニングモデルと拡散モデルの両方の平均および中央値の精度を一貫して向上させることができる。
論文 参考訳（メタデータ） (2024-03-23T08:40:38Z) - Label Deconvolution for Node Representation Learning on Large-scale
Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。
実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - Population Template-Based Brain Graph Augmentation for Improving
One-Shot Learning Classification [0.0]
ワンショット学習は、ディープラーニングの最も困難でトレンドになっている概念の1つだ。
提案手法をアルツハイマー病と脳コネクトームからなるAD/LMCIデータセット上でベンチマークした。
分類の結果は,1つのサンプルから得られた拡張データを導入した場合の精度が向上するだけでなく,他の指標よりもバランスの取れた結果が得られた。
論文 参考訳（メタデータ） (2022-12-14T14:56:00Z) - Neural networks trained with SGD learn distributions of increasing
complexity [78.30235086565388]
勾配降下法を用いてトレーニングされたニューラルネットワークは、まず低次入力統計を用いて入力を分類する。
その後、トレーニング中にのみ高次の統計を利用する。
本稿では,DSBと他の単純度バイアスとの関係について論じ,学習における普遍性の原理にその意味を考察する。
論文 参考訳（メタデータ） (2022-11-21T15:27:22Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Multi network InfoMax: A pre-training method involving graph
convolutional networks [0.0]
本稿では,グラフ畳み込み/ニューラルネットワーク(GCN/GNN)を含む事前学習手法を提案する。
学習された高レベルグラフ潜在表現は、下流グラフ分類タスクのパフォーマンス向上に役立つ。
我々は、被験者を健康管理群(HC)と統合失調症群(SZ)に分類するための神経画像データセットに適用した。
論文 参考訳（メタデータ） (2021-11-01T21:53:20Z) - A Few-shot Learning Graph Multi-Trajectory Evolution Network for
Forecasting Multimodal Baby Connectivity Development from a Baseline
Timepoint [53.73316520733503]
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。
論文 参考訳（メタデータ） (2021-10-06T08:26:57Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - Predicting cognitive scores with graph neural networks through sample
selection learning [0.0]
機能的脳コネクトームは知能商(IQ)スコアなどの認知的指標を予測するために用いられる。
脳の接続からIQスコアを予測するための新しい回帰GNNモデル(RegGNN)を設計する。
また,最も予測力の高いトレーニングサンプルの選定方法を学ぶことを目的とした,emphlearningに基づくサンプル選択手法を提案する。
論文 参考訳（メタデータ） (2021-06-17T11:45:39Z) - Biologically-Motivated Deep Learning Method using Hierarchical
Competitive Learning [0.0]
本稿では,CNNの事前学習方法として,前方伝播信号のみを必要とする教師なしの競争学習を導入することを提案する。
提案手法は,例えば時系列や医療データなど,ラベルの粗末なデータに対して有用である。
論文 参考訳（メタデータ） (2020-01-04T20:07:36Z)
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。