論文の概要: Improving the Level of Autism Discrimination through GraphRNN Link Prediction

• arxiv url: http://arxiv.org/abs/2202.09538v1
• Date: Sat, 19 Feb 2022 06:50:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 12:24:47.222527
• Title: Improving the Level of Autism Discrimination through GraphRNN Link Prediction
• Title（参考訳）: GraphRNNリンク予測による自閉症判別レベルの改善
• Authors: Haonan Sun, Qiang He, Shouliang Qi, Yudong Yao, Yueyang Teng
• Abstract要約: 本稿では,GraphRNNを用いて実脳ネットワークのエッジ分布を学習する後者の手法に基づく。 実験の結果,オリジナルデータと合成データの組み合わせはニューラルネットワークの識別を大幅に改善することがわかった。
• 参考スコア（独自算出の注目度）: 8.103074928419527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dataset is the key of deep learning in Autism disease research. However, due to the few quantity and heterogeneity of samples in current dataset, for example ABIDE (Autism Brain Imaging Data Exchange), the recognition research is not effective enough. Previous studies mostly focused on optimizing feature selection methods and data reinforcement to improve accuracy. This paper is based on the latter technique, which learns the edge distribution of real brain network through GraphRNN, and generates the synthetic data which has incentive effect on the discriminant model. The experimental results show that the combination of original and synthetic data greatly improves the discrimination of the neural network. For instance, the most significant effect is the 50-layer ResNet, and the best generation model is GraphRNN, which improves the accuracy by 32.51% compared with the model reference experiment without generation data reinforcement. Because the generated data comes from the learned edge connection distribution of Autism patients and typical controls functional connectivity, but it has better effect than the original data, which has constructive significance for further understanding of disease mechanism and development.
• Abstract（参考訳）: データセットは自閉症の研究における深層学習の鍵である。 しかし、ABIDE (Autism Brain Imaging Data Exchange) のような現在のデータセットにおけるサンプルの量と不均一性のため、認識研究は不十分である。 従来の研究は主に、特徴選択法とデータ強化を最適化して精度を向上させることに焦点を当てていた。 本稿では,graphrnnを用いて実脳ネットワークのエッジ分布を学習し,識別モデルに対するインセンティブ効果を有する合成データを生成する。 実験の結果,オリジナルデータと合成データの組み合わせはニューラルネットワークの識別を大幅に改善することがわかった。 例えば、最も重要な効果は50層のResNetであり、最高の生成モデルはGraphRNNであり、生成データ強化のないモデル参照実験と比較して精度を32.51%向上させる。 生成したデータは自閉症患者の学習したエッジ接続分布と典型的機能的接続から得られたものであるが、疾患のメカニズムと発達のさらなる理解のために構築的な重要性を持つオリジナルのデータよりも優れた効果を有する。

関連論文リスト

• Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation [0.0]
  本稿では,糖尿病網膜症の早期発見と管理を目的としたアンサンブル学習手法を提案する。 提案したモデルはAPTOSデータセット上でテストされ、以前のモデルと比較して検証精度(99%)の優位性を示している。
  論文  参考訳（メタデータ） (2024-07-25T04:09:17Z)
• Imbalanced Graph-Level Anomaly Detection via Counterfactual Augmentation and Feature Learning [1.3756846638796]
  本稿では,非バランスなGLAD手法を提案する。 我々は、このモデルを脳疾患データセットに適用し、我々の研究の能力を証明することができる。
  論文  参考訳（メタデータ） (2024-07-13T13:40:06Z)
• Enhancing and Adapting in the Clinic: Source-free Unsupervised Domain Adaptation for Medical Image Enhancement [34.11633495477596]
  ソースレス非教師なし領域適応医療画像強調法(SAME)を提案する。 構造化学習データからロバストなソースモデルを学習するために,まず構造保存強化ネットワークを構築した。 強化タスクの知識蒸留を促進するために擬似ラベルピッカーを開発した。
  論文  参考訳（メタデータ） (2023-12-03T10:01:59Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Investigating the Predictive Reproducibility of Federated Graph Neural Networks using Medical Datasets [0.0]
  本稿では、医用画像と脳接続データセットの分類に応用したフェデレーションGNNモデルの適用について検討する。 我々は,これらの医学的学習課題において,連合学習がGNNモデルの精度と精度を高めることを示した。
  論文  参考訳（メタデータ） (2022-09-13T14:32:03Z)
• Do Deep Neural Networks Always Perform Better When Eating More Data? [82.6459747000664]
  Identically Independent Distribution(IID)とOut of Distribution(OOD)による実験を設計する。 IID条件下では、情報の量は各サンプルの効果度、サンプルの寄与度、クラス間の差がクラス情報の量を決定する。 OOD条件下では、試料のクロスドメイン度が寄与を決定づけ、無関係元素によるバイアス適合はクロスドメインの重要な要素である。
  論文  参考訳（メタデータ） (2022-05-30T15:40:33Z)
• Improving Prediction of Cognitive Performance using Deep Neural Networks in Sparse Data [2.867517731896504]
  MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。 ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
  論文  参考訳（メタデータ） (2021-12-28T22:23:08Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。