論文の概要: Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications
- arxiv url: http://arxiv.org/abs/2204.00323v1
- Date: Fri, 1 Apr 2022 10:01:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 13:58:13.359087
- Title: Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications
- Title（参考訳）: graph-in-graph (gig): 生物・医療分野における非ユークリッド領域における理解可能な潜在グラフの学習
- Authors: Kamilia Mullakaeva, Luca Cosmo, Anees Kazi, Seyed-Ahmad Ahmadi, Nassir
Navab and Michael M. Bronstein
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 52.65389473899139
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graphs are a powerful tool for representing and analyzing unstructured,
non-Euclidean data ubiquitous in the healthcare domain. Two prominent examples
are molecule property prediction and brain connectome analysis. Importantly,
recent works have shown that considering relationships between input data
samples have a positive regularizing effect for the downstream task in
healthcare applications. These relationships are naturally modeled by a
(possibly unknown) graph structure between input samples. In this work, we
propose Graph-in-Graph (GiG), a neural network architecture for protein
classification and brain imaging applications that exploits the graph
representation of the input data samples and their latent relation. We assume
an initially unknown latent-graph structure between graph-valued input data and
propose to learn end-to-end a parametric model for message passing within and
across input graph samples, along with the latent structure connecting the
input graphs. Further, we introduce a degree distribution loss that helps
regularize the predicted latent relationships structure. This regularization
can significantly improve the downstream task. Moreover, the obtained latent
graph can represent patient population models or networks of molecule clusters,
providing a level of interpretability and knowledge discovery in the input
domain of particular value in healthcare.
- Abstract（参考訳）: グラフは、医療領域のユビキタスな非構造化非ユークリッドデータを表現および分析するための強力なツールである。
2つの顕著な例は分子特性予測と脳コネクトーム解析である。
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、医療アプリケーションにおける下流タスクに対する正の正の正則化効果が示されている。
これらの関係は、入力サンプル間の(おそらく未知の)グラフ構造によって自然にモデル化される。
本稿では,入力データサンプルのグラフ表現とその潜在関係を利用した,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。
グラフ値入力データ間の初期未知の潜時グラフ構造を仮定し、入力グラフを接続する潜時構造とともに、入力グラフサンプル内および横断的なメッセージパッシングのためのパラメトリックモデルをエンドツーエンドに学習することを提案する。
さらに,予測された潜在関係構造を正則化する度数分布損失を導入する。
この正規化は下流のタスクを大幅に改善することができる。
さらに、得られた潜伏グラフは、患者集団モデルまたは分子クラスターのネットワークを表現することができ、医療における特定の価値の入力領域における解釈可能性と知識発見のレベルを提供する。
関連論文リスト
- A Comparative Study of Population-Graph Construction Methods and Graph
Neural Networks for Brain Age Regression [48.97251676778599]
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。
人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある
本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
論文 参考訳（メタデータ） (2023-09-26T10:30:45Z) - Extended Graph Assessment Metrics for Graph Neural Networks [13.49677006107642]
回帰タスクと連続隣接行列のための拡張グラフアセスメントメトリクス(GAM)を導入する。
異なる医学集団グラフと異なる学習環境下で、これらの指標とモデル性能の相関関係を示す。
論文 参考訳（メタデータ） (2023-07-13T13:55:57Z) - 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) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳（メタデータ） (2022-06-28T02:10:05Z) - Implications of Topological Imbalance for Representation Learning on
Biomedical Knowledge Graphs [16.566710222582618]
知識グラフ埋め込みモデルが構造的不均衡によってどのように影響を受けるかを示す。
グラフトポロジを摂動させて、ランダムで生物学的に無意味な情報によって遺伝子ランクを人工的に変化させる方法を示す。
論文 参考訳（メタデータ） (2021-12-13T11:20:36Z) - OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。
既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。
本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
論文 参考訳（メタデータ） (2021-12-07T16:29:10Z) - Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。
このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
論文 参考訳（メタデータ） (2021-01-23T22:08:27Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z) - Differentiable Graph Module (DGM) for Graph Convolutional Networks [44.26665239213658]
Differentiable Graph Module (DGM) は、下流タスクに最適なグラフのエッジ確率を予測する学習可能な関数である。
医療分野(退院予測)、脳画像(年齢予測)、コンピュータグラフィックス(3Dポイントクラウドセグメンテーション)、コンピュータビジョン(ゼロショット学習)の応用を幅広く評価する。
論文 参考訳（メタデータ） (2020-02-11T12:59:35Z)
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。