論文の概要: Self-Supervised Graph Representation Learning for Neuronal Morphologies
- arxiv url: http://arxiv.org/abs/2112.12482v3
- Date: Wed, 21 Jun 2023 08:25:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 18:35:17.403788
- Title: Self-Supervised Graph Representation Learning for Neuronal Morphologies
- Title（参考訳）: 自己教師付きグラフ表現学習による神経形態学
- Authors: Marissa A. Weis, Laura Hansel, Timo L\"uddecke, Alexander S. Ecker
- Abstract要約: ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
- 参考スコア（独自算出の注目度）: 75.38832711445421
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised graph representation learning has recently gained interest in
several application domains such as neuroscience, where modeling the diverse
morphology of cell types in the brain is one of the key challenges. It is
currently unknown how many excitatory cortical cell types exist and what their
defining morphological features are. Here we present GraphDINO, a purely
data-driven approach to learn low-dimensional representations of 3D neuronal
morphologies from unlabeled large-scale datasets. GraphDINO is a novel
transformer-based representation learning method for spatially-embedded graphs.
To enable self-supervised learning on transformers, we (1) developed data
augmentation strategies for spatially-embedded graphs, (2) adapted the
positional encoding and (3) introduced a novel attention mechanism,
AC-Attention, which combines attention-based global interaction between nodes
and classic graph convolutional processing. We show, in two different species
and across multiple brain areas, that this method yields morphological cell
type clusterings that are on par with manual feature-based classification by
experts, but without using prior knowledge about the structural features of
neurons. Moreover, it outperforms previous approaches on quantitative
benchmarks predicting expert labels. Our method could potentially enable
data-driven discovery of novel morphological features and cell types in
large-scale datasets. It is applicable beyond neuroscience in settings where
samples in a dataset are graphs and graph-level embeddings are desired.
- Abstract（参考訳）: 教師なしグラフ表現学習は、最近、脳内の細胞型の多様な形態をモデル化する神経科学のようないくつかの応用分野に関心を寄せている。
現在、興奮性皮質細胞型が何種類あり、その形態的特徴が何であるかは分かっていない。
ここでは,ラベルのない大規模データセットから3次元ニューロン形態の低次元表現を学ぶための純粋データ駆動アプローチであるgraphdinoを提案する。
GraphDINOは空間埋め込みグラフのためのトランスフォーマーに基づく表現学習手法である。
トランスの自己教師あり学習を可能にするために,(1)空間埋め込みグラフのデータ拡張戦略を開発し,(2)位置符号化を適用し,(3)ノード間の注意に基づくグローバルインタラクションと古典的なグラフ畳み込み処理を組み合わせた新しい注意機構であるac-attentionを導入した。
2つの異なる種と複数の脳領域にまたがって、この方法は、専門家による手作業による特徴に基づく分類と同等の形態的細胞型クラスタリングをもたらすが、ニューロンの構造的特徴に関する事前の知識は使用しない。
さらに、専門家ラベルを予測する定量的ベンチマークに対する従来のアプローチを上回っている。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
データセットのサンプルがグラフで、グラフレベルの埋め込みが望まれる設定では、神経科学を越えて適用できる。
関連論文リスト
- Revealing Cortical Layers In Histological Brain Images With
Self-Supervised Graph Convolutional Networks Applied To Cell-Graphs [0.20971479389679332]
大脳皮質の2次元Nissl染色組織スライスにおける層検出のための自己監督的アプローチを導入する。
自己教師付きグラフ畳み込みネットワークは、細胞環境の形態的および構造的特性をコードする細胞埋め込みを生成する。
論文 参考訳（メタデータ） (2023-11-26T10:33:36Z) - NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [10.294767093317404]
グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。
行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
論文 参考訳（メタデータ） (2023-06-09T19:10:16Z) - Graph Neural Operators for Classification of Spatial Transcriptomics
Data [1.408706290287121]
マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。
グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
論文 参考訳（メタデータ） (2023-02-01T18:32:06Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - 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) - 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) - Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。
グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。
近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文 参考訳（メタデータ） (2022-02-28T15:08:48Z) - Neuroplastic graph attention networks for nuclei segmentation in
histopathology images [17.30043617044508]
細胞核のセマンティックセグメンテーションのための新しいアーキテクチャを提案する。
このアーキテクチャは、新しい神経可塑性グラフアテンションネットワークで構成されている。
実験的な評価では、我々のフレームワークは最先端のニューラルネットワークのアンサンブルよりも優れています。
論文 参考訳（メタデータ） (2022-01-10T22:19:14Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳（メタデータ） (2021-10-09T09:02:45Z) - Whole Brain Vessel Graphs: A Dataset and Benchmark for Graph Learning
and Neuroscience (VesselGraph) [3.846749674808336]
本稿では,特定の画像プロトコルに基づく脳血管グラフの拡張可能なデータセットを提案する。
我々は,血管予測と血管分類の生物学的タスクについて,最先端のグラフ学習アルゴリズムを多数ベンチマークした。
我々の研究は、神経科学の分野におけるグラフ学習研究の進展への道を開いた。
論文 参考訳（メタデータ） (2021-08-30T13:40:48Z)
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。