論文の概要: Signal Processing in the Retina: Interpretable Graph Classifier to
Predict Ganglion Cell Responses
- arxiv url: http://arxiv.org/abs/2401.01813v1
- Date: Wed, 3 Jan 2024 16:15:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 13:32:52.153141
- Title: Signal Processing in the Retina: Interpretable Graph Classifier to
Predict Ganglion Cell Responses
- Title（参考訳）: 網膜における信号処理:ガングリオン細胞応答予測のための解釈可能なグラフ分類器
- Authors: Yasaman Parhizkar, Gene Cheung, Andrew W. Eckford
- Abstract要約: そこで我々は,視覚刺激に応答してガングリオン細胞の発火を予測できるグラフベース分類器を学習した。
我々の枠組みは、解釈を必要とする前兆的特徴を持つ他の生物学的システムに適用できる。
- 参考スコア（独自算出の注目度）: 26.403303281303092
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: It is a popular hypothesis in neuroscience that ganglion cells in the retina
are activated by selectively detecting visual features in an observed scene.
While ganglion cell firings can be predicted via data-trained deep neural nets,
the networks remain indecipherable, thus providing little understanding of the
cells' underlying operations. To extract knowledge from the cell firings, in
this paper we learn an interpretable graph-based classifier from data to
predict the firings of ganglion cells in response to visual stimuli.
Specifically, we learn a positive semi-definite (PSD) metric matrix $\mathbf{M}
\succeq 0$ that defines Mahalanobis distances between graph nodes (visual
events) endowed with pre-computed feature vectors; the computed inter-node
distances lead to edge weights and a combinatorial graph that is amenable to
binary classification. Mathematically, we define the objective of metric matrix
$\mathbf{M}$ optimization using a graph adaptation of large margin nearest
neighbor (LMNN), which is rewritten as a semi-definite programming (SDP)
problem. We solve it efficiently via a fast approximation called Gershgorin
disc perfect alignment (GDPA) linearization. The learned metric matrix
$\mathbf{M}$ provides interpretability: important features are identified along
$\mathbf{M}$'s diagonal, and their mutual relationships are inferred from
off-diagonal terms. Our fast metric learning framework can be applied to other
biological systems with pre-chosen features that require interpretation.
- Abstract（参考訳）: 神経科学において、網膜の神経節細胞は観察シーンにおける視覚的特徴を選択的に検出することによって活性化されるという仮説が一般的である。
神経節細胞の発射は、データトレーニングされたディープニューラルネットワークによって予測できるが、ネットワークは依然として解読できないため、細胞の基盤となる操作についてはほとんど理解できない。
そこで本稿では,視覚刺激に応答してガングリオン細胞の発火を予測するために,解析可能なグラフベースの分類器をデータから学習する。
具体的には、事前に計算された特徴ベクトルを持つグラフノード(視覚事象)間のマハラノビス距離を定義する正の半定値(PSD)計量行列 $\mathbf{M} \succeq 0$ を学習する。
数学的には, 距離行列 $\mathbf{M}$ の目的を, 半定値プログラミング (SDP) 問題として書き直された大きな辺近傍(LMNN)のグラフ適応を用いて定義する。
我々はGershgorin disc perfect alignment (GDPA) linearizationと呼ばれる高速近似を用いて効率よく解く。
学習された計量行列 $\mathbf{M}$ は解釈可能性を提供し、重要な特徴は $\mathbf{M}$ の対角線に沿って識別され、それらの相互関係は対角線外項から推測される。
当社の高速メトリック学習フレームワークは,解釈を必要とするchosen前機能を備えた他の生体システムにも適用可能です。
関連論文リスト
- Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。
不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。
グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文 参考訳（メタデータ） (2024-02-20T12:01:30Z) - Extended Graph Assessment Metrics for Graph Neural Networks [13.49677006107642]
回帰タスクと連続隣接行列のための拡張グラフアセスメントメトリクス(GAM)を導入する。
異なる医学集団グラフと異なる学習環境下で、これらの指標とモデル性能の相関関係を示す。
論文 参考訳（メタデータ） (2023-07-13T13:55:57Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Graph Fourier MMD for Signals on Graphs [67.68356461123219]
本稿では,グラフ上の分布と信号の間の新しい距離を提案する。
GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。
グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
論文 参考訳（メタデータ） (2023-06-05T00:01:17Z) - From Latent Graph to Latent Topology Inference: Differentiable Cell
Complex Module [21.383018558790674]
Differentiable Cell Complex Module (DCM) は、下流タスクを改善するために複合体内の細胞確率を計算する新しい学習可能な関数である。
DCMをセル複雑なメッセージパッシングネットワーク層と統合し、エンドツーエンドでトレーニングする方法を示す。
本モデルは, ホモ親和性およびヘテロ親和性のあるグラフデータセットを用いて実験を行い, その他の最先端技術よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2023-05-25T15:33:19Z) - Tree Mover's Distance: Bridging Graph Metrics and Stability of Graph
Neural Networks [54.225220638606814]
本稿では,属性グラフの擬似測度,ツリー・モーバー距離(TMD)を提案し,その一般化との関係について検討する。
まず、TMDはグラフ分類に関連する特性をキャプチャし、単純なTMD-SVMは標準のGNNと競合することを示す。
第2に、分散シフトの下でのGNNの一般化とTMDを関連付け、そのようなシフト下での性能低下とよく相関していることを示す。
論文 参考訳（メタデータ） (2022-10-04T21:03:52Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Graph Neural Network for Cell Tracking in Microscopy Videos [0.0]
顕微鏡ビデオにおける細胞追跡のための新しいグラフニューラルネットワーク(GNN)を提案する。
タイムラプスシーケンス全体を直接グラフとしてモデル化することにより,セルトラジェクトリの集合全体を抽出する。
我々は、異なる生体細胞のインスタンスを区別する細胞特徴ベクトルを抽出するために、ディープメトリック学習アルゴリズムを利用する。
論文 参考訳（メタデータ） (2022-02-09T21:21:48Z) - Diff2Dist: Learning Spectrally Distinct Edge Functions, with
Applications to Cell Morphology Analysis [4.133143218285944]
本稿では,グラフのエッジウェイトを「目に見える記述的」に学習する手法を提案する。
グラフ上の既知距離測度を一般化する(グラフ拡散距離)
また,この手法の生体画像解析への応用についても述べる。
論文 参考訳（メタデータ） (2021-06-29T20:40:22Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。