論文の概要: FedNI: Federated Graph Learning with Network Inpainting for Population-Based Disease Prediction

• arxiv url: http://arxiv.org/abs/2112.10166v1
• Date: Sun, 19 Dec 2021 15:11:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 18:26:57.793936
• Title: FedNI: Federated Graph Learning with Network Inpainting for Population-Based Disease Prediction
• Title（参考訳）: fedni: 集団病予測のためのネットワークインペインティングを用いたフェデレーショングラフ学習
• Authors: Liang Peng, Nan Wang, Nicha Dvornek, Xiaofeng Zhu, Xiaoxiao Li
• Abstract要約: 医学応用では、グラフ畳み込みニューラルネットワーク(GCN)がグラフ解析に広く利用されている。 GCNは膨大な量のデータに依存しており、単一の医療機関のために収集することは困難である。 我々は、フェデレートラーニング(FL)を介してネットワークの塗り絵と制度間データを活用するためのフレームワーク、FedNIを提案する。
• 参考スコア（独自算出の注目度）: 20.425551938050525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Convolutional Neural Networks (GCNs) are widely used for graph analysis. Specifically, in medical applications, GCNs can be used for disease prediction on a population graph, where graph nodes represent individuals and edges represent individual similarities. However, GCNs rely on a vast amount of data, which is challenging to collect for a single medical institution. In addition, a critical challenge that most medical institutions continue to face is addressing disease prediction in isolation with incomplete data information. To address these issues, Federated Learning (FL) allows isolated local institutions to collaboratively train a global model without data sharing. In this work, we propose a framework, FedNI, to leverage network inpainting and inter-institutional data via FL. Specifically, we first federatively train missing node and edge predictor using a graph generative adversarial network (GAN) to complete the missing information of local networks. Then we train a global GCN node classifier across institutions using a federated graph learning platform. The novel design enables us to build more accurate machine learning models by leveraging federated learning and also graph learning approaches. We demonstrate that our federated model outperforms local and baseline FL methods with significant margins on two public neuroimaging datasets.
• Abstract（参考訳）: グラフ畳み込みニューラルネットワーク(GCN)はグラフ解析に広く用いられている。 特に医学的応用において、GCNは集団グラフ上の疾患予測に使用することができ、グラフノードは個人を表し、エッジは個々の類似性を表す。 しかし、gcnsは膨大なデータに依存しており、単一の医療機関のために収集することが困難である。 加えて、ほとんどの医療機関が直面している批判的な課題は、不完全なデータ情報によって隔離された病気の予測に対処することである。 これらの問題に対処するために、フェデレートラーニング(FL)は、孤立した地方機関がデータ共有なしでグローバルモデルを協調的にトレーニングすることを可能にする。 本研究では,ネットワーク・インパインティングと施設間データをflで活用するためのフレームワークfedniを提案する。 具体的には,まず,グラフ生成型adversarial network (gan) を用いて欠落ノードとエッジ予測器を連携訓練し,ローカルネットワークの欠落情報を完成させる。 次に、フェデレーショングラフ学習プラットフォームを使用して、機関間でグローバルgcnノード分類をトレーニングする。 この新しい設計により、フェデレートラーニングとグラフラーニングのアプローチを利用して、より正確な機械学習モデルを構築することができる。 2つの公開ニューロイメージングデータセットにおいて,フェデレーションモデルが局所的およびベースライン的なfl法よりも大きなマージンを持つことを示す。

関連論文リスト

• TractGraphFormer: Anatomically Informed Hybrid Graph CNN-Transformer Network for Classification from Diffusion MRI Tractography [20.096952203108394]
  拡散MRIトラクトグラフィーに適したグラフCNN-TransformerディープラーニングフレームワークであるTractGraphFormerを紹介する。 このモデルは、ホワイトマター構造の局所解剖学的特徴と大域的特徴に依存する。 TractGraphFormerは、性予知テストにおいて、子供と若者の大規模なデータセットで強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-07-11T22:14:57Z)
• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• Preserving Specificity in Federated Graph Learning for fMRI-based Neurological Disorder Identification [31.668499876984487]
  rs-fMRI解析と自動脳障害識別のための特異性を考慮したグラフ学習フレームワークを提案する。 各クライアントにおいて、我々のモデルは共有ブランチとパーソナライズされたブランチで構成されており、そこでは共有ブランチのパラメータがサーバに送信され、パーソナライズされたブランチのパラメータはローカルのままです。 被験者1,218人の2つのfMRIデータセットの実験結果から、SFGLは最先端のアプローチよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-08-20T15:55:45Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Lumos: Heterogeneity-aware Federated Graph Learning over Decentralized Devices [19.27111697495379]
  グラフニューラルネットワーク(GNN)は、現実世界のネットワークアプリケーションやシステムに広くデプロイされている。 本稿では,教師付き学習と教師なし学習をサポートするLumosという,初の連合型GNNフレームワークを提案する。 クライアント毎に構築したツリーに基づいて,多目的学習を支援するために,分散型ツリーベースGNNトレーナーを提案する。
  論文  参考訳（メタデータ） (2023-03-01T13:27:06Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• 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)
• Privatized Graph Federated Learning [57.14673504239551]
  グラフによって連結された複数の単位からなるグラフフェデレーション学習を導入する。 グラフ準同型摂動はアルゴリズムが微分プライベートであることを保証するためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-03-14T13:48:23Z)
• Graph Neural Diffusion Networks for Semi-supervised Learning [6.376489604292251]
  Graph Convolutional Networks (GCN)は、グラフに基づく半教師付き学習のパイオニアモデルである。 本稿では,局所的およびグローバルな近隣情報を利用したニューラルネット(グラフニューラルディフュージョンネットワーク)と呼ばれる新しいグラフニューラルネットワークを提案する。 ニューラルネットワークの採用により、ニューラルネットワークの拡散は異なるデータセットに適応できる。
  論文  参考訳（メタデータ） (2022-01-24T14:07:56Z)
• From Local Structures to Size Generalization in Graph Neural Networks [53.3202754533658]
  グラフニューラルネットワーク(GNN)は、さまざまなサイズのグラフを処理することができる。 特に小さなグラフから大きなグラフまで、サイズをまたいで一般化する能力は、まだよく理解されていない。
  論文  参考訳（メタデータ） (2020-10-17T19:36:54Z)
• Latent-Graph Learning for Disease Prediction [44.26665239213658]
  我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。 一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
  論文  参考訳（メタデータ） (2020-03-27T08:18:01Z)

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。