論文の概要: Large-scale Graph Representation Learning of Dynamic Brain Connectome with Transformers

• arxiv url: http://arxiv.org/abs/2312.14939v1
• Date: Mon, 4 Dec 2023 16:08:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:00:13.757067
• Title: Large-scale Graph Representation Learning of Dynamic Brain Connectome with Transformers
• Title（参考訳）: トランスフォーマーを用いたダイナミック脳コネクトームの大規模グラフ表現学習
• Authors: Byung-Hoon Kim, Jungwon Choi, EungGu Yun, Kyungsang Kim, Xiang Li, Juho Lee
• Abstract要約: グラフ変換器を用いた動的機能接続の表現法を提案する。 具体的には、機能接続グラフの位置、構造、時間情報を保持するコネクトーム埋め込みを定義する。 3つのデータセットから得られた5万以上の静止状態fMRIサンプルを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 18.304946718572516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Transformers have recently been successful in various graph representation learning tasks, providing a number of advantages over message-passing Graph Neural Networks. Utilizing Graph Transformers for learning the representation of the brain functional connectivity network is also gaining interest. However, studies to date have underlooked the temporal dynamics of functional connectivity, which fluctuates over time. Here, we propose a method for learning the representation of dynamic functional connectivity with Graph Transformers. Specifically, we define the connectome embedding, which holds the position, structure, and time information of the functional connectivity graph, and use Transformers to learn its representation across time. We perform experiments with over 50,000 resting-state fMRI samples obtained from three datasets, which is the largest number of fMRI data used in studies by far. The experimental results show that our proposed method outperforms other competitive baselines in gender classification and age regression tasks based on the functional connectivity extracted from the fMRI data.
• Abstract（参考訳）: グラフトランスフォーマーは最近、さまざまなグラフ表現学習タスクで成功しており、メッセージパッシンググラフニューラルネットワークよりも多くの利点を提供している。 グラフ変換を用いて脳機能接続ネットワークの表現を学習することも注目されている。 しかし、これまでの研究は、時間とともに変動する機能的接続の時間的ダイナミクスを見落としてきた。 本稿では,グラフ変換器を用いた動的関数接続の表現を学習する手法を提案する。 具体的には,機能的接続グラフの位置,構造,時間情報を保持するコネクトーム埋め込みを定義し,トランスフォーマを用いて時間にわたってその表現を学習する。 3つのデータセットから得られた5万以上の静止状態fMRIサンプルを用いて実験を行った。 実験の結果,本手法はfmriデータから抽出した機能的接続性に基づく性別分類や年齢回帰課題において,他の競合ベースラインよりも優れていた。

関連論文リスト

• Joint-Embedding Masked Autoencoder for Self-supervised Learning of Dynamic Functional Connectivity from the Human Brain [18.165807360855435]
  グラフニューラルネットワーク(GNN)は、人間の脳ネットワークと表現型を区別するための動的機能接続の学習において、有望であることを示している。 本稿では,計算機ビジョンにおけるJEPA(Joint Embedding Predictive Architecture)からインスピレーションを得た,時空間連成型自動エンコーダ(ST-JEMA)について紹介する。
  論文  参考訳（メタデータ） (2024-03-11T04:49:41Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• 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)
• 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)
• 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)
• Dynamic Graph Representation Learning via Graph Transformer Networks [41.570839291138114]
  動的グラフ変換器 (DGT) を用いた動的グラフ学習手法を提案する。 DGTは、グラフトポロジを効果的に学習し、暗黙のリンクをキャプチャするための時空間符号化を持つ。 DGTはいくつかの最先端のベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-19T21:44:23Z)
• Brain dynamics via Cumulative Auto-Regressive Self-Attention [0.0]
  深部グラフニューラルネットワーク(GNN)よりもかなり浅いモデルを提案する。 本モデルは,各時系列の自己回帰構造を学習し,有向接続グラフを推定する。 統合失調症患者とコントロールを分類した機能的ニューロイメージングデータセットについて報告する。
  論文  参考訳（メタデータ） (2021-11-01T21:50:35Z)
• 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)
• Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention [33.049423523704824]
  本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。 HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-27T23:06:50Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Relational Graph Learning on Visual and Kinematics Embeddings for Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
  本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。 本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
  論文  参考訳（メタデータ） (2020-11-03T11:00:10Z)

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。