論文の概要: Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis
- arxiv url: http://arxiv.org/abs/2203.10093v1
- Date: Fri, 18 Mar 2022 07:05:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 06:43:52.176265
- Title: Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis
- Title（参考訳）: 脳ネットワーク解析のための深層強化学習誘導グラフニューラルネットワーク
- Authors: Xusheng Zhao, Jia Wu, Hao Peng, Amin Beheshti, Jessica Monaghan, David
McAlpine, Heivet Hernandez-Perez, Mark Dras, Qiong Dai, Yangyang Li, Philip
S. Yu, Lifang He
- Abstract要約: 本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
- 参考スコア（独自算出の注目度）: 61.53545734991802
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern neuroimaging techniques, such as diffusion tensor imaging (DTI) and
functional magnetic resonance imaging (fMRI), enable us to model the human
brain as a brain network or connectome. Capturing brain networks' structural
information and hierarchical patterns is essential for understanding brain
functions and disease states. Recently, the promising network representation
learning capability of graph neural networks (GNNs) has prompted many GNN-based
methods for brain network analysis to be proposed. Specifically, these methods
apply feature aggregation and global pooling to convert brain network instances
into meaningful low-dimensional representations used for downstream brain
network analysis tasks. However, existing GNN-based methods often neglect that
brain networks of different subjects may require various aggregation iterations
and use GNN with a fixed number of layers to learn all brain networks.
Therefore, how to fully release the potential of GNNs to promote brain network
analysis is still non-trivial. To solve this problem, we propose a novel brain
network representation framework, namely BN-GNN, which searches for the optimal
GNN architecture for each brain network. Concretely, BN-GNN employs deep
reinforcement learning (DRL) to train a meta-policy to automatically determine
the optimal number of feature aggregations (reflected in the number of GNN
layers) required for a given brain network. Extensive experiments on eight
real-world brain network datasets demonstrate that our proposed BN-GNN improves
the performance of traditional GNNs on different brain network analysis tasks.
- Abstract（参考訳）: 拡散テンソルイメージング(DTI)や機能的磁気共鳴イメージング(fMRI)のような現代の神経イメージング技術は、人間の脳を脳ネットワークやコネクトームとしてモデル化することができる。
脳ネットワークの構造情報と階層的パターンの取得は、脳機能や疾患状態を理解する上で不可欠である。
近年,グラフニューラルネットワーク(GNN)の有望なネットワーク表現学習能力は,脳ネットワーク解析のための多くのGNNベースの手法を提案している。
具体的には、機能集約と大域プールを用いて、脳ネットワークインスタンスを下流脳ネットワーク分析タスクに使用する意味のある低次元表現に変換する。
しかし、既存のGNNベースの手法は、異なる被験者の脳ネットワークが様々なアグリゲーションの繰り返しを必要とすることを無視し、すべての脳ネットワークを学習するために、GNNを一定の数のレイヤーで使用することが多い。
したがって、脳ネットワーク分析を促進するためのGNNの可能性をいかに完全にリリースするかは、いまだに自明ではない。
そこで本研究では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
具体的には、BN-GNNは、特定の脳ネットワークに必要な機能集約(GNN層数で表される)の最適な数を自動的に決定するために、メタ政治を訓練するために深層強化学習(DRL)を使用している。
8つの実世界の脳ネットワークデータセットに対する大規模な実験により、提案したBN-GNNは、異なる脳ネットワーク分析タスクにおける従来のGNNの性能を改善することが示された。
関連論文リスト
- Retinal Vessel Segmentation via Neuron Programming [17.609169389489633]
本稿では,神経レベルでのネットワークの表現能力を高めるため,ニューラルネット設計における新しいアプローチであるニューラルネットプログラミングについて紹介する。
総合的な実験により、ニューロンプログラミングは網膜の血液分画において競合的な性能を発揮することが検証された。
論文 参考訳（メタデータ） (2024-11-17T16:03:30Z) - Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。
脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。
本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文 参考訳（メタデータ） (2024-06-01T02:47:39Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with
Graph Neural Networks [28.460737693330245]
我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。
TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。
2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
論文 参考訳（メタデータ） (2022-11-01T03:59:54Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、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促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - BrainGB: A Benchmark for Brain Network Analysis with Graph Neural
Networks [20.07976837999997]
グラフニューラルネットワーク(GNN)を用いた脳ネットワーク解析のためのベンチマークであるBrainGBを提案する。
BrainGBは脳ネットワーク構築パイプラインを機能的および構造的ニューロイメージングの両方に標準化する。
脳ネットワーク上での効果的なGNN設計のための一般的なレシピセットを推奨する。
論文 参考訳（メタデータ） (2022-03-17T08:31:13Z) - Joint Embedding of Structural and Functional Brain Networks with Graph
Neural Networks for Mental Illness Diagnosis [17.48272758284748]
グラフニューラルネットワーク(GNN)は,グラフ構造化データを解析するためのデファクトモデルとなっている。
我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。
特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
論文 参考訳（メタデータ） (2021-07-07T13:49:57Z) - Graph Neural Networks in Network Neuroscience [1.6114012813668934]
グラフニューラルネットワーク(GNN)は、ディープグラフ構造を学ぶための巧妙な方法を提供する。
GNNベースの手法は、脳グラフ合成の欠如や疾患の分類など、脳グラフに関連するいくつかのアプリケーションで使用されている。
神経疾患の診断と集団グラフ統合のためのネットワーク神経科学分野におけるGNNモデルのより良い応用に向けての道筋をグラフ化して結論付ける。
論文 参考訳（メタデータ） (2021-06-07T11:49:57Z) - Exploiting Heterogeneity in Operational Neural Networks by Synaptic
Plasticity [87.32169414230822]
最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。
本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。
高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
論文 参考訳（メタデータ） (2020-08-21T19:03:23Z)
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。