論文の概要: Graph Neural Operators for Classification of Spatial Transcriptomics Data

• arxiv url: http://arxiv.org/abs/2302.00658v1
• Date: Wed, 1 Feb 2023 18:32:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-02 12:40:16.386858
• Title: Graph Neural Operators for Classification of Spatial Transcriptomics Data
• Title（参考訳）: 空間トランスクリプトミクスデータの分類のためのグラフニューラルネットワーク
• Authors: Junaid Ahmed and Alhassan S. Yasin
• Abstract要約: マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。 グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
• 参考スコア（独自算出の注目度）: 1.408706290287121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The inception of spatial transcriptomics has allowed improved comprehension of tissue architectures and the disentanglement of complex underlying biological, physiological, and pathological processes through their positional contexts. Recently, these contexts, and by extension the field, have seen much promise and elucidation with the application of graph learning approaches. In particular, neural operators have risen in regards to learning the mapping between infinite-dimensional function spaces. With basic to deep neural network architectures being data-driven, i.e. dependent on quality data for prediction, neural operators provide robustness by offering generalization among different resolutions despite low quality data. Graph neural operators are a variant that utilize graph networks to learn this mapping between function spaces. The aim of this research is to identify robust machine learning architectures that integrate spatial information to predict tissue types. Under this notion, we propose a study incorporating various graph neural network approaches to validate the efficacy of applying neural operators towards prediction of brain regions in mouse brain tissue samples as a proof of concept towards our purpose. We were able to achieve an F1 score of nearly 72% for the graph neural operator approach which outperformed all baseline and other graph network approaches.
• Abstract（参考訳）: 空間的転写学の開始により、組織構造の理解が改善され、その位置的文脈を通じて、複雑な生物学的、生理学的、病理学的過程が分離された。 近年、これらの文脈と分野の拡張により、グラフ学習アプローチの適用により、多くの期待と解明がなされている。 特に、無限次元関数空間間の写像の学習に関して、神経作用素が上昇している。 基本から深層ニューラルネットワークアーキテクチャはデータ駆動であり、予測のための品質データに依存するため、低品質データにもかかわらず、異なる解像度間で一般化を提供することにより、ニューラルネットワークオペレータは堅牢性を提供する。 グラフニューラル演算子は、関数空間間のマッピングを学ぶためにグラフネットワークを利用する変種である。 本研究の目的は,組織型を予測するために空間情報を統合する堅牢な機械学習アーキテクチャを同定することである。 そこで本研究では,種々のグラフニューラルネットワークを用いて,マウス脳組織標本の脳領域の予測にニューラルネットワークを応用し,その効果を検証する手法を提案する。 グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。

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)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [9.803179588247252]
  グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。 行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
  論文  参考訳（メタデータ） (2023-06-09T19:10:16Z)
• Neuro-symbolic computing with spiking neural networks [0.6035125735474387]
  我々は、スパイクベースのグラフアルゴリズムに関するこれまでの研究を、スパイクニューロンを用いてシンボリックおよびマルチリレーショナル情報をエンコードする方法を実証することによって拡張した。 導入されたフレームワークは、グラフ埋め込みパラダイムと、エラーバックプロパゲーションを用いたスパイクニューラルネットワークのトレーニングの最近の進歩を組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2022-08-04T10:49:34Z)
• 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)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• 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)
• Generalizable Machine Learning in Neuroscience using Graph Neural Networks [0.0]
  ニューラルネットワークは、ニューロンレベルの動的予測と行動状態の分類の両方において、非常によく機能することを示す。 実験の結果, グラフニューラルネットワークは構造モデルよりも優れ, 目に見えない生物の一般化に優れていた。
  論文  参考訳（メタデータ） (2020-10-16T18:09:46Z)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)

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。