論文の概要: Structure-Preserving Graph Kernel for Brain Network Classification

• arxiv url: http://arxiv.org/abs/2111.10803v1
• Date: Sun, 21 Nov 2021 12:03:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 16:46:15.548427
• Title: Structure-Preserving Graph Kernel for Brain Network Classification
• Title（参考訳）: 脳ネットワーク分類のための構造保存グラフカーネル
• Authors: Zhaomin Kong, Aditya Kendre, Jun Yu, Hao Peng, Carl Yang, Lichao Sun, Alex Leow and Lifang He
• Abstract要約: グラフ表現の中で自然に利用可能な構造を利用して、カーネルの事前知識をエンコードする方法を示す。 提案手法は臨床的に解釈可能であるという利点がある。
• 参考スコア（独自算出の注目度）: 38.707747282886935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel graph-based kernel learning approach for connectome analysis. Specifically, we demonstrate how to leverage the naturally available structure within the graph representation to encode prior knowledge in the kernel. We first proposed a matrix factorization to directly extract structural features from natural symmetric graph representations of connectome data. We then used them to derive a structure-persevering graph kernel to be fed into the support vector machine. The proposed approach has the advantage of being clinically interpretable. Quantitative evaluations on challenging HIV disease classification (DTI- and fMRI-derived connectome data) and emotion recognition (EEG-derived connectome data) tasks demonstrate the superior performance of our proposed methods against the state-of-the-art. Results showed that relevant EEG-connectome information is primarily encoded in the alpha band during the emotion regulation task.
• Abstract（参考訳）: 本稿では,コネクトーム解析のためのグラフベースカーネル学習手法を提案する。 具体的には、グラフ表現の中で自然に利用可能な構造を利用して、カーネルの事前知識をエンコードする方法を示す。 まず,コネクトームデータの自然対称グラフ表現から構造的特徴を直接抽出する行列分解法を提案した。 次に、それらを用いて、サポートベクタマシンに供給される構造パーバーリンググラフカーネルを導出する。 提案手法は臨床的に解釈可能であるという利点がある。 HIV感染症分類(DTIおよびfMRI由来のコネクトームデータ)と感情認識(EEG由来のコネクトームデータ)タスクの定量的評価は,提案手法の最先端性を示すものである。 その結果,感情調節作業中に脳波接続情報は主にアルファバンドに符号化されることがわかった。

関連論文リスト

• AKBR: Learning Adaptive Kernel-based Representations for Graph Classification [43.87164777893224]
  グラフ分類のための適応カーネルベース表現(AKBR)を学習するための新しいモデルを提案する。 提案手法は,グラフの適応型カーネル行列を構築するために,エンドツーエンドの表現学習モデルを定義することを目的としている。 実験結果から,提案したAKBRモデルは,標準グラフベンチマークにおいて,既存の最先端グラフカーネルやディープラーニング手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-03-24T13:01:05Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Spatial Temporal Graph Convolution with Graph Structure Self-learning for Early MCI Detection [9.11430195887347]
  本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。 The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
  論文  参考訳（メタデータ） (2022-11-11T12:29:00Z)
• A Comparative Study of Graph Neural Networks for Shape Classification in Neuroimaging [17.775145204666874]
  ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。 ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。 以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
  論文  参考訳（メタデータ） (2022-10-29T19:03:01Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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)
• A deep learning model for data-driven discovery of functional connectivity [0.0]
  本稿では,被験者を分類する学習の一環として,接続構造を学習する深層学習アーキテクチャBrainGNNを提案する。 統合失調症 fMRI データセットを用いて,そのモデルの最先端の分類性能を示す。
  論文  参考訳（メタデータ） (2021-12-07T21:57:32Z)
• Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
  本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。 提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。 我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
  論文  参考訳（メタデータ） (2021-09-26T07:19:47Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。