論文の概要: Imputing Brain Measurements Across Data Sets via Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2308.09907v1
- Date: Sat, 19 Aug 2023 05:03:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 19:08:56.463349
- Title: Imputing Brain Measurements Across Data Sets via Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークによるデータセット間の脳波計測
- Authors: Yixin Wang, Wei Peng, Susan F. Tapert, Qingyu Zhao, Kilian M. Pohl
- Abstract要約: 公開されている構造MRIのデータセットには、機械学習モデルのトレーニングに重要な脳の領域(ROI)の具体的な測定が含まれていない可能性がある。
本稿では,不足した測定値を含む他の(パブリックな)データセット上での予測タスクとして,計算問題を再設定することを提案する。
ディープラーニングモデルは、共有されたデータから欠落した測定値を予測するために訓練され、その後、他のデータセットに適用される。
- 参考スコア（独自算出の注目度）: 23.585998411079004
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Publicly available data sets of structural MRIs might not contain specific
measurements of brain Regions of Interests (ROIs) that are important for
training machine learning models. For example, the curvature scores computed by
Freesurfer are not released by the Adolescent Brain Cognitive Development
(ABCD) Study. One can address this issue by simply reapplying Freesurfer to the
data set. However, this approach is generally computationally and labor
intensive (e.g., requiring quality control). An alternative is to impute the
missing measurements via a deep learning approach. However, the
state-of-the-art is designed to estimate randomly missing values rather than
entire measurements. We therefore propose to re-frame the imputation problem as
a prediction task on another (public) data set that contains the missing
measurements and shares some ROI measurements with the data sets of interest. A
deep learning model is then trained to predict the missing measurements from
the shared ones and afterwards is applied to the other data sets. Our proposed
algorithm models the dependencies between ROI measurements via a graph neural
network (GNN) and accounts for demographic differences in brain measurements
(e.g. sex) by feeding the graph encoding into a parallel architecture. The
architecture simultaneously optimizes a graph decoder to impute values and a
classifier in predicting demographic factors. We test the approach, called
Demographic Aware Graph-based Imputation (DAGI), on imputing those missing
Freesurfer measurements of ABCD (N=3760) by training the predictor on those
publicly released by the National Consortium on Alcohol and Neurodevelopment in
Adolescence (NCANDA, N=540)...
- Abstract（参考訳）: 公開されている構造MRIのデータセットには、機械学習モデルのトレーニングに重要な脳の領域(ROI)の具体的な測定が含まれていない可能性がある。
例えば、Freesurferによって計算された曲率スコアは、青年脳認知開発(ABCD)研究によって公表されていない。
Freesurferをデータセットに再適用するだけでこの問題に対処できる。
しかし、このアプローチは一般に計算的かつ労働集約的である(例えば品質管理を必要とする)。
もうひとつの選択肢は、ディープラーニングアプローチによる測定値の欠如だ。
しかし、最先端技術は、測定全体よりもランダムに欠落した値を推定するように設計されている。
そこで本稿では,不足した測定値を含む他の(パブリックな)データセットの予測タスクとして計算問題を再設定し,関心のあるデータセットとROIの測定値を共有することを提案する。
その後、ディープラーニングモデルをトレーニングして、共有データから欠落測定値を予測し、その後、他のデータセットに適用する。
提案アルゴリズムは、グラフニューラルネットワーク(GNN)によるROI測定の依存関係をモデル化し、グラフエンコーディングを並列アーキテクチャに入力することで、脳計測(例えば性)の人口差を推定する。
このアーキテクチャは、グラフデコーダを同時に最適化し、人口統計因子を予測するために値と分類器をインプットする。
我々は、DAGI(Demographic Aware Graph-based Imputation)と呼ばれる手法を試して、ABCD(N=3760)の欠落したFreesurfer測定を、National Consortium on Alcohol and Neurodevelopment in Adolescence (NCANDA, N=540)が公開しているものに対して予測器をトレーニングすることで、ABCD(N=3760)の計測結果を伝達する。
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) - DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。
DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。
さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
論文 参考訳（メタデータ） (2024-04-26T05:26:10Z) - FR-NAS: Forward-and-Reverse Graph Predictor for Efficient Neural Architecture Search [10.699485270006601]
ニューラルネットワーク探索のための新しいグラフニューラルネットワーク(GNN)予測器を提案する。
この予測器は、従来のグラフビューと逆グラフビューを組み合わせることで、ニューラルネットワークをベクトル表現に変換する。
実験の結果, 予測精度は3%～16%向上し, 予測精度は有意に向上した。
論文 参考訳（メタデータ） (2024-04-24T03:22:49Z) - Balanced Graph Structure Information for Brain Disease Detection [6.799894169098717]
グラフ畳み込みネットワーク(GCN)を用いたフィルタ相関行列と最適サンプルグラフの2つのグラフ構造をモデル化したBargrainを提案する。
我々の広範な実験に基づいて、Bargrainは、平均的なF1スコアによって測定された脳疾患データセットの分類タスクにおいて、最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2023-12-30T06:50:52Z) - Neural Graph Revealers [2.2721854258621064]
確率的グラフモデルとスパースグラフリカバリ手法を効率的にマージするために,NGR(Neural Graph Revealers)を提案する。
NGRはニューラルネットワークを「ガラス箱」、より具体的にはマルチタスク学習フレームワークとみなしている。
ガウス図形モデルとCenters for Disease Control and Preventionによるマルチモーダル乳幼児死亡データから,スパースグラフの復元と確率的推定を行った。
論文 参考訳（メタデータ） (2023-02-27T08:40:45Z) - 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) - Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。
本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。
実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文 参考訳（メタデータ） (2022-09-16T09:13:43Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
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。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳（メタデータ） (2021-10-20T14:23:54Z) - GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent
Inference [41.348451615460796]
本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。
自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。
これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
論文 参考訳（メタデータ） (2021-04-08T08:23:37Z) - Handling Missing Data with Graph Representation Learning [62.59831675688714]
特徴量計算とラベル予測のためのグラフベースのフレームワークであるGRAPEを提案する。
GRAPEでは,特徴計算をエッジレベル予測タスク,ラベル予測をノードレベル予測タスクとして定式化する。
9つのベンチマークデータセットによる実験結果から、GRAPEは計算タスクの平均絶対誤差を20%低く、ラベル予測タスクを10%低くすることがわかった。
論文 参考訳（メタデータ） (2020-10-30T17:59:13Z)
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。