Fugu-MT 論文翻訳(概要): UMMAN: Unsupervised Multi-graph Merge Adversarial Network for Disease Prediction Based on Intestinal Flora

論文の概要: UMMAN: Unsupervised Multi-graph Merge Adversarial Network for Disease Prediction Based on Intestinal Flora

arxiv url: http://arxiv.org/abs/2407.21714v1
Date: Wed, 31 Jul 2024 16:06:43 GMT
ステータス: 処理完了
システム内更新日: 2024-08-01 17:41:37.583663
Title: UMMAN: Unsupervised Multi-graph Merge Adversarial Network for Disease Prediction Based on Intestinal Flora
Title（参考訳）: UMMAN:腸内フローラに基づく疾患予測のための教師なしマルチグラフマージアドバイサルネットワーク
Authors: Dingkun Liu, Hongjie Zhou, Yilu Qu, Huimei Zhang, Yongdong Xu,
Abstract要約: 我々は、新しいアーキテクチャ、unsupervised Multi-graph Adversarial Network (UMMAN)を提案する。 UMMANは、教師なしのシナリオでマルチグラフのノードの埋め込みを得ることができ、多重化関連を学習するのに役立ちます。本稿では,ノード間の関係を乱し,対応するShuffled-Graphを生成するために,複雑な関係型を用いる。
参考スコア（独自算出の注目度）: 0.18641315013048299
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The abundance of intestinal flora is closely related to human diseases, but diseases are not caused by a single gut microbe. Instead, they result from the complex interplay of numerous microbial entities. This intricate and implicit connection among gut microbes poses a significant challenge for disease prediction using abundance information from OTU data. Recently, several methods have shown potential in predicting corresponding diseases. However, these methods fail to learn the inner association among gut microbes from different hosts, leading to unsatisfactory performance. In this paper, we present a novel architecture, Unsupervised Multi-graph Merge Adversarial Network (UMMAN). UMMAN can obtain the embeddings of nodes in the Multi-Graph in an unsupervised scenario, so that it helps learn the multiplex association. Our method is the first to combine Graph Neural Network with the task of intestinal flora disease prediction. We employ complex relation-types to construct the Original-Graph and disrupt the relationships among nodes to generate corresponding Shuffled-Graph. We introduce the Node Feature Global Integration (NFGI) module to represent the global features of the graph. Furthermore, we design a joint loss comprising adversarial loss and hybrid attention loss to ensure that the real graph embedding aligns closely with the Original-Graph and diverges from the Shuffled-Graph. Comprehensive experiments on five classical OTU gut microbiome datasets demonstrate the effectiveness and stability of our method. (We will release our code soon.)
Abstract（参考訳）: 腸内細菌の豊富さはヒトの疾患と密接に関連しているが、単一の腸内微生物によって引き起こされるわけではない。代わりに、多くの微生物の複雑な相互作用が引き起こされる。腸内細菌間のこの複雑で暗黙的な結合は、OTUデータからの豊富な情報を用いた疾患予測に重大な課題をもたらす。近年、いくつかの方法により、対応する疾患を予測できる可能性が示されている。しかし、これらの方法は異なる宿主から腸内微生物の内的関連を学ばず、不満足なパフォーマンスをもたらす。本稿では,Unsupervised Multi-graph Merge Adversarial Network (UMMAN)を提案する。 UMMANは、教師なしのシナリオでマルチグラフのノードの埋め込みを得ることができ、多重化関連を学習するのに役立ちます。本手法は,グラフニューラルネットと腸内フローラ病予測を併用した最初の手法である。本稿では,ノード間の関係を乱し,対応するShuffled-Graphを生成するために,複雑な関係型を用いる。グラフのグローバル機能を表現するため,Node Feature Global Integration (NFGI) モジュールを紹介した。さらに,実グラフの埋め込みがオリジナルグラフと密接に一致し,シャッフルグラフから分岐することを保証するために,対向損失とハイブリッドアテンション損失を含む共同損失を設計する。従来のOTU腸内マイクロバイオームデータセットの総合的な実験により,本手法の有効性と安定性が示された。 (まもなくコードを公開します。)

関連論文リスト

Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文参考訳（メタデータ） (2024-01-24T03:43:45Z)
Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文参考訳（メタデータ） (2023-08-16T13:10:27Z)
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)
Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文参考訳（メタデータ） (2022-11-15T11:44:31Z)
Multi-modal Graph Learning for Disease Prediction [35.156975779372836]
マルチモーダルな疾患予測のためのエンドツーエンドマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。手動でグラフを定義する代わりに、潜在グラフ構造は適応グラフ学習の効果的な方法によって取得される。 2つの疾患予測タスクに関する広範な実験群は、提案したMMGLがより良好な性能を発揮することを示した。
論文参考訳（メタデータ） (2022-03-11T12:33:20Z)
RepBin: Constraint-based Graph Representation Learning for Metagenomic Binning [12.561034842067889]
本稿では,ノードがサブシーケンスであり,エッジがホモフィリー情報を表すグラフを用いた新しい定式化を提案する。我々は,ホモフィリな関係とヘテロフィリな制約の両方を保持するグラフ表現学習のための新しいアルゴリズムを開発した。我々の手法はRepBinと呼ばれ、様々な競合する手法より優れている。
論文参考訳（メタデータ） (2021-12-22T07:01:01Z)
Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
論文参考訳（メタデータ） (2021-07-01T03:59:22Z)
AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network for Disease Prediction [20.19380805655623]
空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。また,多層アグリゲーション機構を用いた新しいグラフ畳み込みネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-06-16T12:13:23Z)
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)
Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文参考訳（メタデータ） (2020-10-29T09:58:02Z)
Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。