Fugu-MT 論文翻訳(概要): Predicting Brain Multigraph Population From a Single Graph Template for Boosting One-Shot Classification

論文の概要: Predicting Brain Multigraph Population From a Single Graph Template for Boosting One-Shot Classification

arxiv url: http://arxiv.org/abs/2209.06005v1
Date: Tue, 13 Sep 2022 13:51:44 GMT
ステータス: 処理完了
システム内更新日: 2022-09-14 13:22:45.779859
Title: Predicting Brain Multigraph Population From a Single Graph Template for Boosting One-Shot Classification
Title（参考訳）: ワンショット分類向上のための単一グラフテンプレートによる脳のマルチグラフ人口予測
Authors: Furkan Pala and Islem Rekik
Abstract要約: ワンショット学習モデルのトレーニングにおける中心的な課題は、データ空間の利用可能なショットの限定的な代表性である。本稿では,ハイブリッドグラフニューラルネットワーク(GNN)アーキテクチャ,すなわちMultigraph Generator Network (MultigraphGNet)を提案する。我々のフレームワークは、単一グラフからの多重グラフ拡張の今後の研究に光を当てることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: A central challenge in training one-shot learning models is the limited representativeness of the available shots of the data space. Particularly in the field of network neuroscience where the brain is represented as a graph, such models may lead to low performance when classifying brain states (e.g., typical vs. autistic). To cope with this, most of the existing works involve a data augmentation step to increase the size of the training set, its diversity and representativeness. Though effective, such augmentation methods are limited to generating samples with the same size as the input shots (e.g., generating brain connectivity matrices from a single shot matrix). To the best of our knowledge, the problem of generating brain multigraphs capturing multiple types of connectivity between pairs of nodes (i.e., anatomical regions) from a single brain graph remains unsolved. In this paper, we unprecedentedly propose a hybrid graph neural network (GNN) architecture, namely Multigraph Generator Network or briefly MultigraphGNet, comprising two subnetworks: (1) a many-to-one GNN which integrates an input population of brain multigraphs into a single template graph, namely a connectional brain temple (CBT), and (2) a reverse one-to-many U-Net network which takes the learned CBT in each training step and outputs the reconstructed input multigraph population. Both networks are trained in an end-to-end way using a cyclic loss. Experimental results demonstrate that our MultigraphGNet boosts the performance of an independent classifier when trained on the augmented brain multigraphs in comparison with training on a single CBT from each class. We hope that our framework can shed some light on the future research of multigraph augmentation from a single graph. Our MultigraphGNet source code is available at https://github.com/basiralab/MultigraphGNet.
Abstract（参考訳）: ワンショット学習モデルのトレーニングにおける中心的な課題は、データ空間の利用可能なショットの限定的な代表性である。特に、脳がグラフとして表されるネットワーク神経科学の分野において、そのようなモデルは脳の状態の分類(例えば、典型的対自閉症)において低い性能をもたらす可能性がある。これに対応するために、既存の作業の多くは、トレーニングセットのサイズ、多様性、代表性を高めるためのデータ拡張ステップを含んでいる。有効ではあるが、そのような拡張方法は入力ショットと同じ大きさのサンプルを生成する(例えば、単一のショットマトリックスから脳接続行列を生成する)に限られる。私たちの知る限りでは、単一の脳グラフから一対のノード(解剖学的領域)間の複数の種類の接続をキャプチャする脳のマルチグラフを生成する問題は未解決である。本稿では,(1) マルチグラフの入力集団を単一のテンプレートグラフに統合する多対一のGNNと,(2) 学習ステップ毎に学習されたCBTを取り込み,再構成された入力マルチグラフ人口を出力する逆1対多のU-Netの2つのサブネットワークからなるハイブリッドグラフニューラルネットワーク(GNN)アーキテクチャを提案する。どちらのネットワークも、循環損失を使用してエンドツーエンドでトレーニングされる。実験の結果,我々のMultigraphGNetは,各クラスから1つのCBTのトレーニングと比較して,拡張脳マルチグラフで訓練した際,独立した分類器の性能を向上させることが示された。われわれのフレームワークは、単一のグラフからのマルチグラフ拡張の今後の研究に光を当てられることを願っている。当社のmultigraphgnetソースコードはhttps://github.com/basiralab/multigraphgnetで利用可能です。

関連論文リスト

SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文参考訳（メタデータ） (2023-08-03T07:00:04Z)
Multi-Head Graph Convolutional Network for Structural Connectome Classification [8.658134276685404]
グラフ畳み込みネットワーク(GCN)にインスパイアされた機械学習モデルを提案する。提案するネットワークは,エッジとノードに着目したグラフ畳み込みを含む,異なるヘッドを用いたシンプルな設計である。脳接続データから補完的特徴と代表的特徴を抽出する能力をテストするため,私たちは性分類の課題を選択した。
論文参考訳（メタデータ） (2023-05-02T15:04:30Z)
Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文参考訳（メタデータ） (2022-09-20T14:41:37Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
論文参考訳（メタデータ） (2022-01-07T16:48:07Z)
Multi network InfoMax: A pre-training method involving graph convolutional networks [0.0]
本稿では,グラフ畳み込み/ニューラルネットワーク(GCN/GNN)を含む事前学習手法を提案する。学習された高レベルグラフ潜在表現は、下流グラフ分類タスクのパフォーマンス向上に役立つ。我々は、被験者を健康管理群(HC)と統合失調症群(SZ)に分類するための神経画像データセットに適用した。
論文参考訳（メタデータ） (2021-11-01T21:53:20Z)
One Representative-Shot Learning Using a Population-Driven Template with Application to Brain Connectivity Classification and Evolution Prediction [0.0]
グラフニューラルネットワーク(GNN)は、ネットワーク神経科学の分野に導入されている。私たちは、GNNのトレーニングにおいて、まったく異なるアプローチを取っています。我々は、GNNが単一集団駆動型テンプレートで訓練される最初のワンショットパラダイムを示す。
論文参考訳（メタデータ） (2021-10-06T08:36:00Z)
A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint [53.73316520733503]
本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
論文参考訳（メタデータ） (2021-10-06T08:26:57Z)
Learning Graph Neural Networks with Positive and Unlabeled Nodes [34.903471348798725]
グラフニューラルネットワーク(GNN)は、グラフのノード分類など、トランスダクティブな学習タスクのための重要なツールです。ほとんどのGNNモデルは、各ラウンドで短い距離から情報を集約し、グラフで長距離関係をキャプチャできません。本論文では,これらの制限を克服するために,新しいグラフニューラルネットワークフレームワーク,LSDAN(Long-Short distance aggregation Network)を提案する。
論文参考訳（メタデータ） (2021-03-08T11:43:37Z)
Foreseeing Brain Graph Evolution Over Time Using Deep Adversarial Network Normalizer [0.0]
我々は,脳グラフの正規化を学習する最初のグラフベース生成適応ネットワーク(gGAN)を提案する。提案手法は, 単一の基準点を用いた脳疾患進展予測誤差の最小化に成功した。
論文参考訳（メタデータ） (2020-09-23T14:25:40Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。