論文の概要: Iso-CapsNet: Isomorphic Capsule Network for Brain Graph Representation
Learning
- arxiv url: http://arxiv.org/abs/2206.13465v1
- Date: Mon, 27 Jun 2022 17:18:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 15:06:23.402628
- Title: Iso-CapsNet: Isomorphic Capsule Network for Brain Graph Representation
Learning
- Title(参考訳): iso-capsnet:脳グラフ表現学習のための同型カプセルネットワーク
- Authors: Jiawei Zhang
- Abstract要約: 有効な脳グラフ表現学習のためのグラフ同型カプセルを導入することで,新しいIso-CapsNetモデルを提案する。
カプセル動的ルーティングに基づいて、サブグラフパターンの存在感スコアに加えて、Iso-CapsNetは、位置、サイズ、方向を含む他のサブグラフリッチな特性も学習できる。
- 参考スコア(独自算出の注目度): 10.879701971582502
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain graph representation learning serves as the fundamental technique for
brain diseases diagnosis. Great efforts from both the academic and industrial
communities have been devoted to brain graph representation learning in recent
years. The isomorphic neural network (IsoNN) introduced recently can
automatically learn the existence of sub-graph patterns in brain graphs, which
is also the state-of-the-art brain graph representation learning method by this
context so far. However, IsoNN fails to capture the orientations of sub-graph
patterns, which may render the learned representations to be useless for many
cases. In this paper, we propose a new Iso-CapsNet (Isomorphic Capsule Net)
model by introducing the graph isomorphic capsules for effective brain graph
representation learning. Based on the capsule dynamic routing, besides the
subgraph pattern existence confidence scores, Iso-CapsNet can also learn other
sub-graph rich properties, including position, size and orientation, for
calculating the class-wise digit capsules. We have compared Iso-CapsNet with
both classic and state-of-the-art brain graph representation approaches with
extensive experiments on four brain graph benchmark datasets. The experimental
results also demonstrate the effectiveness of Iso-CapsNet, which can
out-perform the baseline methods with significant improvements.
- Abstract(参考訳): 脳グラフ表現学習は脳疾患診断の基本的な技術である。
近年、学術的・工業的コミュニティからの多大な努力が脳グラフ表現学習に費やされている。
最近導入されたisomorphic neural network(isonn)は、脳グラフにおけるサブグラフパターンの存在を自動的に学習することができる。
しかし、IsoNNはサブグラフパターンの向きを捉えないため、多くのケースで学習した表現が役に立たない可能性がある。
本稿では,脳グラフ表現学習に有効なグラフ同型カプセルを導入することで,新しいIso-CapsNet(Isomorphic Capsule Net)モデルを提案する。
カプセル動的ルーティングに基づいて、サブグラフパターンの存在感スコアに加えて、Iso-CapsNetは、クラスワイドのカプセルを計算するために、位置、サイズ、方向を含む他のサブグラフリッチな特性を学習することができる。
我々は、Iso-CapsNetと古典的および最先端の脳グラフ表現アプローチを比較し、4つの脳グラフベンチマークデータセットに関する広範な実験を行った。
実験結果はiso-capsnetの有効性も示している。
関連論文リスト
- 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 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) - Multimodal brain age estimation using interpretable adaptive
population-graph learning [58.99653132076496]
下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。
注意機構は、画像と非画像の特徴のセットに重みを割り当てる。
グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
論文 参考訳(メタデータ) (2023-07-10T15:35:31Z) - 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) - Graph Neural Networks for Image Classification and Reinforcement
Learning using Graph representations [15.256931959393803]
我々は,コンピュータビジョンと強化学習という2つの異なる領域において,グラフニューラルネットワークの性能を評価する。
コンピュータビジョンのセクションでは、グラフとしての画像に対する新しい非冗長表現が、グラフレベルの予測グラフ、特に画像分類において、自明なピクセルからノードマッピングへの性能向上を図っている。
強化学習部では,グラフ問題としてルービックキューブの解法を明示的にモデル化することで,帰納バイアスのない標準モデルフリー手法の性能向上を図っている。
論文 参考訳(メタデータ) (2022-03-07T15:16:31Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
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。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z) - Capsule Graph Neural Networks with EM Routing [8.632437524560133]
本稿では、EMルーティング機構(CapsGNNEM)を用いて、高品質なグラフ埋め込みを生成する新しいCapsule Graph Neural Networkを提案する。
多くの実世界のグラフデータセットに対する実験結果から、提案したCapsGNNEMはグラフ分類タスクにおいて9つの最先端モデルより優れていることが示された。
論文 参考訳(メタデータ) (2021-10-18T06:23:37Z) - Graph Representation Learning by Ensemble Aggregating Subgraphs via
Mutual Information Maximization [5.419711903307341]
グラフニューラルネットワークが学習するグラフレベルの表現を高めるための自己監視型学習法を提案する。
グラフ構造を網羅的に理解するために,サブグラフ法のようなアンサンブル学習を提案する。
また, 効率的かつ効果的な対位学習を実現するために, ヘッドテールコントラストサンプル構築法を提案する。
論文 参考訳(メタデータ) (2021-03-24T12:06:12Z) - Deep Hypergraph U-Net for Brain Graph Embedding and Classification [0.0]
ネットワーク神経科学は、ネットワーク(またはコネクトーム)で表されるシステムとして脳を調べる
データサンプルの低次元埋め込みを学習するためにハイパーグラフ構造を利用した新しいデータ埋め込みフレームワークHypergraph U-Netを提案する。
自閉症および認知症患者の形態的・機能的脳ネットワークを含む,小規模・大規模異種脳コネクトームデータセットについて検討した。
論文 参考訳(メタデータ) (2020-08-30T08:15:18Z)
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。