論文の概要: Edge-aware Hard Clustering Graph Pooling for Brain Imaging
- arxiv url: http://arxiv.org/abs/2308.11909v5
- Date: Mon, 23 Oct 2023 16:23:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 07:39:22.350980
- Title: Edge-aware Hard Clustering Graph Pooling for Brain Imaging
- Title(参考訳): 脳イメージングのためのエッジ対応ハードクラスタリンググラフポーリング
- Authors: Cheng Zhu, Jiayi Zhu, Lijuan Zhang, Xi Wu, Shuqi Yang, Ping Liang,
Honghan Chen, Ying Tan
- Abstract要約: グラフ畳み込みネットワーク(GCN)は、異なる脳領域間の非ユークリッド空間依存性を捉えることができる。
GCNの重要な要素であるグラフプーリング演算子は、表現学習能力を高める。
本稿では,エッジ対応のハードクラスタリンググラフプール(EHCPool)を提案し,グラフクラスタリングプロセスを再定義する。
- 参考スコア(独自算出の注目度): 8.425787611090778
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Convolutional Networks (GCNs) can capture non-Euclidean spatial
dependence between different brain regions. The graph pooling operator, a
crucial element of GCNs, enhances the representation learning capability and
facilitates the acquisition of abnormal brain maps. However, most existing
research designs graph pooling operators solely from the perspective of nodes
while disregarding the original edge features, in a way that not only confines
graph pooling application scenarios, but also diminishes its ability to capture
critical substructures. To design a graph clustering pooling operator that is
tailored to dominant edge features, we proposed the edge-aware hard clustering
graph pool (EHCPool) and redefined the graph clustering process. Specifically,
the 'Edge-to-node' criterion was proposed to evaluate the significance of both
edge and node features. Guided by edge scores, we designed a revolutionary
Iteration n-top strategy, aimed at adaptively learning sparse hard clustering
assignments for graphs. Subsequently, a novel N-E Aggregation strategy is
introduced to aggregate node and edge information in each independent subgraph.
Extensive experiments on the multi-site public datasets demonstrate the
superiority and robustness of the proposed model. More notably, EHCPool has the
potential to probe different types of dysfunctional brain networks from a
data-driven perspective. Core code is at: https://github.com/swfen/EHCPool.
- Abstract(参考訳): グラフ畳み込みネットワーク(GCN)は、異なる脳領域間の非ユークリッド空間依存性を捉えることができる。
GCNの重要な要素であるグラフプーリング演算子は、表現学習能力を高め、異常な脳地図の取得を容易にする。
しかし、既存の研究のほとんどは、グラフプーリングアプリケーションのシナリオを限定するだけでなく、重要なサブ構造をキャプチャする能力も低下させる方法で、ノードの観点からのみ、元のエッジ機能を無視してグラフプーリングオペレータを設計している。
エッジ機能に合わせたグラフクラスタリングプーリング演算子を設計するために,エッジ対応のハードクラスタリンググラフプール(ehcpool)を提案し,グラフクラスタリングプロセスを再定義した。
具体的には、エッジとノードの特徴の両方の重要性を評価するために、'Edge-to-node'基準を提案した。
エッジスコアによってガイドされた我々は,グラフのスパースクラスタリングを適応的に学習することを目的とした,革命的イテレーションnトップ戦略を設計した。
その後、各独立部分グラフのノードとエッジ情報を集約するために、新しいN-Eアグリゲーション戦略を導入する。
多地点の公開データセットに関する大規模な実験は、提案モデルの優越性と堅牢性を示している。
EHCPoolは、データ駆動の観点から異なるタイプの機能不全脳ネットワークを探索する可能性がある。
コアコードはhttps://github.com/swfen/ehcpool。
関連論文リスト
- SSHPool: The Separated Subgraph-based Hierarchical Pooling [20.464546994653514]
グラフ分類のための新しい局所グラフプーリング法,すなわち分離部分グラフベースの階層プール(SSHPool)を開発した。
局所グラフ畳み込み単位を局所構造として個別に使用し,各部分グラフを粗いノードに圧縮する。
提案手法を階層的に実行することにより,提案したSSHPoolは,元のグラフ構造の階層的大域的特徴を効果的に抽出することができる。
論文 参考訳(メタデータ) (2024-03-24T13:03:35Z) - Careful Selection and Thoughtful Discarding: Graph Explicit Pooling
Utilizing Discarded Nodes [53.08068729187698]
本稿では,ノードと最終表現ベクトルの関係を明示的に活用してノードを選択するグラフ明示プール法を提案する。
提案手法の有効性を検証するため,12種類の広く使用されているデータセットを対象とした総合的な実験を行った。
論文 参考訳(メタデータ) (2023-11-21T14:44:51Z) - Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。
オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。
この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
論文 参考訳(メタデータ) (2023-09-09T06:18:50Z) - Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。
ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。
クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。
ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
論文 参考訳(メタデータ) (2023-05-28T15:33:24Z) - Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。
HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。
グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
論文 参考訳(メタデータ) (2022-09-02T09:17:10Z) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳(メタデータ) (2021-09-24T08:01:23Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳(メタデータ) (2021-04-16T04:56:38Z) - CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph
Representation Learning [19.432449825536423]
教師なしグラフ表現学習は、教師なしの低次元ノード埋め込みを学習することを目的としている。
本稿では、自己教師付き手法を用いた教師なしグラフ表現学習のための新しいクラスタ対応グラフニューラルネットワーク(CAGNN)モデルを提案する。
論文 参考訳(メタデータ) (2020-09-03T13:57:18Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳(メタデータ) (2020-01-21T15:51:17Z) - Hierarchical Representation Learning in Graph Neural Networks with Node Decimation Pooling [31.812988573924674]
グラフニューラルネットワーク(GNN)では、プール演算子は入力グラフの局所的な要約を計算し、そのグローバルな特性をキャプチャする。
グラフトポロジ全体を保存しながら粗いグラフを生成するGNNのためのプール演算子であるNode Decimation Pooling (NDP)を提案する。
NDPは、最先端のグラフプーリング演算子よりも効率的であり、同時に、様々なグラフ分類タスクにおける競合性能にも達する。
論文 参考訳(メタデータ) (2019-10-24T21:42:12Z)
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。