論文の概要: Topological Cycle Graph Attention Network for Brain Functional Connectivity
- arxiv url: http://arxiv.org/abs/2403.19149v1
- Date: Thu, 28 Mar 2024 05:07:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-29 17:22:41.253152
- Title: Topological Cycle Graph Attention Network for Brain Functional Connectivity
- Title(参考訳): 脳機能結合のためのトポロジカルサイクルグラフ注意ネットワーク
- Authors: Jinghan Huang, Nanguang Chen, Anqi Qiu,
- Abstract要約: 我々は新しいトポロジカルサイクルグラフ注意ネットワーク(CycGAT)を導入する。
CycGATは、シグナル伝達に必須の脳機能グラフ内の機能的バックボーンを規定する。
シミュレーションによるCycGATの局在化とそのABCD研究のfMRIデータ上での有効性を実証する。
- 参考スコア(独自算出の注目度): 1.7751300245073598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study, we introduce a novel Topological Cycle Graph Attention Network (CycGAT), designed to delineate a functional backbone within brain functional graph--key pathways essential for signal transmissio--from non-essential, redundant connections that form cycles around this core structure. We first introduce a cycle incidence matrix that establishes an independent cycle basis within a graph, mapping its relationship with edges. We propose a cycle graph convolution that leverages a cycle adjacency matrix, derived from the cycle incidence matrix, to specifically filter edge signals in a domain of cycles. Additionally, we strengthen the representation power of the cycle graph convolution by adding an attention mechanism, which is further augmented by the introduction of edge positional encodings in cycles, to enhance the topological awareness of CycGAT. We demonstrate CycGAT's localization through simulation and its efficacy on an ABCD study's fMRI data (n=8765), comparing it with baseline models. CycGAT outperforms these models, identifying a functional backbone with significantly fewer cycles, crucial for understanding neural circuits related to general intelligence. Our code will be released once accepted.
- Abstract(参考訳): 本研究は,脳機能グラフ内の機能的バックボーンを記述するための新しいトポロジカルサイクルグラフ注意ネットワーク(CycGAT)を提案する。
まず、グラフ内に独立したサイクルベースを確立し、エッジとの関係をマッピングするサイクルインシデント行列を導入する。
本稿では,サイクル発生行列から導出されるサイクル隣接行列を利用して,サイクル領域内のエッジ信号を具体的にフィルタするサイクルグラフ畳み込みを提案する。
さらに,CycGATのトポロジ的認識を高めるために,エッジ位置エンコーディングの導入によってさらに強化されるアテンション機構を追加することで,サイクルグラフ畳み込みの表現力を強化する。
ABCDのfMRIデータ(n=8765)において,シミュレーションによるCycGATの局所化とその有効性を示し,ベースラインモデルと比較した。
CycGATはこれらのモデルより優れており、一般的な知性に関連する神経回路を理解するのに不可欠である、非常に少ないサイクルを持つ機能的バックボーンを識別する。
私たちのコードは一旦受け入れられるでしょう。
関連論文リスト
- Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳(メタデータ) (2024-02-13T14:13:17Z) - Cycle Invariant Positional Encoding for Graph Representation Learning [25.170572318478406]
そこで我々はCycleNetと呼ばれる構造符号化モジュールを提案する。
すべてのサイクルの空間を効率的に符号化するために、入力グラフの1次元ホッジ・ラプラシアンの核を介して計算するサイクル基底(つまり、サイクル空間を生成する最小のサイクルの集合)から始める。
我々は、CycleNetモジュールによって強化されたネットワークが、既存のSOTAモデルと比較して、様々なベンチマークでより優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-11-24T08:15:54Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳(メタデータ) (2023-02-08T08:17:43Z) - Structural Optimization of Factor Graphs for Symbol Detection via
Continuous Clustering and Machine Learning [1.5293427903448018]
機械学習を用いて、基礎となる因子グラフの構造をエンドツーエンドに最適化する。
本研究では,この手法とニューラル信念の伝播を併用して,特定のチャネルに対する後部シンボル検出性能を最大に近いものにする手法について検討した。
論文 参考訳(メタデータ) (2022-11-21T12:31:04Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳(メタデータ) (2022-11-19T09:08:43Z) - DAGMA: Learning DAGs via M-matrices and a Log-Determinant Acyclicity
Characterization [46.03369331654967]
対数決定関数(log-det)関数に基づいた,$textitfundamentally different$$ acyclicity キャラクタリゼーションを提案する。
我々の手法は、最先端の手法に対して大きなスピードアップとより小さな構造ハミングに到達できる。
論文 参考訳(メタデータ) (2022-09-16T16:31:27Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2022-08-15T22:30:07Z) - Neural Enhancement of Factor Graph-based Symbol Detection [2.030567625639093]
シンボル検出のための因子グラフフレームワークの線形シンボル間干渉チャネルへの応用について検討する。
本稿では,循環係数グラフに基づくシンボル検出アルゴリズムの性能向上のための戦略を提案し,評価する。
論文 参考訳(メタデータ) (2022-03-07T12:25:24Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2021-08-03T17:57:53Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2020-10-06T01:20:27Z) - Scattering GCN: Overcoming Oversmoothness in Graph Convolutional
Networks [0.0]
グラフ畳み込みネットワーク(GCN)は,構造認識の特徴を抽出することによって,グラフデータ処理において有望な結果を示した。
本稿では、幾何学的散乱変換と残差畳み込みによる従来のGCNの増大を提案する。
前者はグラフ信号の帯域通過フィルタリングが可能であり、GCNでしばしば発生する過度な過度な処理を緩和する。
論文 参考訳(メタデータ) (2020-03-18T18:03:08Z)
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。