論文の概要: DeepGraphDMD: Interpretable Spatio-Temporal Decomposition of Non-linear
Functional Brain Network Dynamics
- arxiv url: http://arxiv.org/abs/2306.03088v1
- Date: Mon, 5 Jun 2023 17:58:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 13:25:02.540228
- Title: DeepGraphDMD: Interpretable Spatio-Temporal Decomposition of Non-linear
Functional Brain Network Dynamics
- Title（参考訳）: DeepGraphDMD:非線形機能脳ネットワークダイナミクスの解釈可能な時空間分解
- Authors: Md Asadullah Turja, Martin Styner and Guorong Wu
- Abstract要約: 我々は,グラフDMDアルゴリズムの一般化版であるディープグラフDMDを開発し,任意の非線形グラフ力学系に適用する。
DeepGraphDMDは、グラフデータのためのKoopman固有関数を学習するオートエンコーダベースのディープラーニングモデルである。
シミュレーションデータと静止状態fMRIデータの両方において,本手法の有効性を示す。
- 参考スコア（独自算出の注目度）: 3.132229254347346
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Functional brain dynamics is supported by parallel and overlapping functional
network modes that are associated with specific neural circuits. Decomposing
these network modes from fMRI data and finding their temporal characteristics
is challenging due to their time-varying nature and the non-linearity of the
functional dynamics. Dynamic Mode Decomposition (DMD) algorithms have been
quite popular for solving this decomposition problem in recent years. In this
work, we apply GraphDMD -- an extension of the DMD for network data -- to
extract the dynamic network modes and their temporal characteristics from the
fMRI time series in an interpretable manner. GraphDMD, however, regards the
underlying system as a linear dynamical system that is sub-optimal for
extracting the network modes from non-linear functional data. In this work, we
develop a generalized version of the GraphDMD algorithm -- DeepGraphDMD --
applicable to arbitrary non-linear graph dynamical systems. DeepGraphDMD is an
autoencoder-based deep learning model that learns Koopman eigenfunctions for
graph data and embeds the non-linear graph dynamics into a latent linear space.
We show the effectiveness of our method in both simulated data and the HCP
resting-state fMRI data. In the HCP data, DeepGraphDMD provides novel insights
into cognitive brain functions by discovering two major network modes related
to fluid and crystallized intelligence.
- Abstract（参考訳）: 機能的脳力学は、特定の神経回路に関連付けられた並列および重なり合う機能的ネットワークモードによって支持される。
これらのネットワークモードをfMRIデータから分解し、その時間的特性を見つけることは、その時間的特性と機能力学の非線形性のために困難である。
動的モード分解(DMD)アルゴリズムは近年,この分解問題を解くために広く利用されている。
本研究では,ネットワークデータに対するDMDの拡張であるGraphDMDを適用し,fMRI時系列から動的ネットワークモードとその時間特性を解釈可能な方法で抽出する。
しかし、GraphDMDは、基礎となるシステムを非線形関数データからネットワークモードを抽出するためのサブ最適化である線形力学系とみなしている。
本研究では,グラフDMDアルゴリズムの一般化版であるDeepGraphDMDを開発し,任意の非線形グラフ力学系に適用する。
DeepGraphDMDは、自動エンコーダに基づくディープラーニングモデルであり、グラフデータのクープマン固有関数を学習し、非線形グラフダイナミクスを潜在線形空間に埋め込む。
シミュレーションデータとHCP静止状態fMRIデータの両方において,本手法の有効性を示す。
HCPデータにおいて、DeepGraphDMDは、流体と結晶化インテリジェンスに関連する2つの主要なネットワークモードを発見することによって、認知脳機能に関する新たな洞察を提供する。
関連論文リスト
- When Graph Neural Networks Meet Dynamic Mode Decomposition [34.16727363891593]
DMDアルゴリズムによって提供される低ランク固有関数を効果的に活用するMDD-GNNモデル群を紹介する。
我々の研究は、GNNを通して高度な動的システム解析ツールを適用するための道筋をたどっている。
論文 参考訳（メタデータ） (2024-10-08T01:09:48Z) - Discovering Governing equations from Graph-Structured Data by Sparse Identification of Nonlinear Dynamical Systems [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。
SINDyGは、ネットワーク構造をスパースレグレッションに組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。
論文 参考訳（メタデータ） (2024-09-02T17:51:37Z) - Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。
DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。
DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文 参考訳（メタデータ） (2024-05-23T10:26:18Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Learning Dynamic Graph Embeddings with Neural Controlled Differential
Equations [21.936437653875245]
本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。
本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。
本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
論文 参考訳（メタデータ） (2023-02-22T12:59:38Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Continuous Temporal Graph Networks for Event-Based Graph Data [41.786721257905555]
本研究では、時間グラフデータの連続的ダイナミクスを捉えるために、CTGN(Continuous Temporal Graph Networks)を提案する。
鍵となる考え方は、ニューラルネットワークの常微分方程式(ODE)を用いて、動的グラフ上のノード表現の連続的ダイナミクスを特徴づけることである。
帰納的タスクと帰納的タスクの両方の実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-05-31T16:17:02Z) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳（メタデータ） (2021-09-26T07:19:47Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。