論文の概要: Learning Graph Filters for Structure-Function Coupling based Hub Node Identification

• arxiv url: http://arxiv.org/abs/2410.17410v1
• Date: Tue, 22 Oct 2024 20:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:56:42.517074
• Title: Learning Graph Filters for Structure-Function Coupling based Hub Node Identification
• Title（参考訳）: 構造結合型ハブノード同定のためのグラフフィルタの学習
• Authors: Meiby Ortiz-Bouza, Duc Vu, Abdullah Karaaslanli, Selin Aviyente,
• Abstract要約: ハブノードは、特定の機能プロセスに対応する異なる脳ユニットをリンクするネットワーク内の特別なノードである。 本稿では,グラフ信号処理(GSP)に基づくハブ検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 19.7242695744767
• License:
• Abstract: Over the past two decades, tools from network science have been leveraged to characterize the organization of both structural and functional networks of the brain. One such measure of network organization is hub node identification. Hubs are specialized nodes within a network that link distinct brain units corresponding to specialized functional processes. Conventional methods for identifying hub nodes utilize different types of centrality measures and participation coefficient to profile various aspects of nodal importance. These methods solely rely on the functional connectivity networks constructed from functional magnetic resonance imaging (fMRI), ignoring the structure-function coupling in the brain. In this paper, we introduce a graph signal processing (GSP) based hub detection framework that utilizes both the structural connectivity and the functional activation to identify hub nodes. The proposed framework models functional activity as graph signals on the structural connectivity. Hub nodes are then detected based on the premise that hub nodes are sparse, have higher level of activity compared to their neighbors, and the non-hub nodes' activity can be modeled as the output of a graph-based filter. Based on these assumptions, an optimization framework, GraFHub, is formulated to learn the coefficients of the optimal polynomial graph filter and detect the hub nodes. The proposed framework is evaluated on both simulated data and resting state fMRI (rs-fMRI) data from Human Connectome Project (HCP).
• Abstract（参考訳）: 過去20年間、脳の構造的および機能的ネットワークの組織を特徴づけるために、ネットワーク科学のツールが活用されてきた。 ネットワーク構成のそのような尺度の1つはハブノード識別である。 ハブは、特定の機能プロセスに対応する異なる脳ユニットをリンクするネットワーク内の特別なノードである。 ハブノードを同定するための従来の手法は、様々な種類の集中度尺度と参加係数を利用して、様々なノイズの重要性の側面をプロファイルする。 これらの方法は、機能的磁気共鳴画像(fMRI)から構築された機能的接続ネットワークのみに依存し、脳の構造-機能結合を無視している。 本稿では,グラフ信号処理(GSP)に基づくハブ検出フレームワークを提案する。 提案するフレームワークは、構造接続上のグラフ信号として機能する機能をモデル化する。 ハブノードは、ハブノードが疎いという前提に基づいて検出され、近隣ノードよりも高いアクティビティレベルを持ち、非ハブノードのアクティビティはグラフベースのフィルタの出力としてモデル化できる。 これらの仮定に基づき、最適化フレームワークであるGraFHubを定式化し、最適多項式グラフフィルタの係数を学習し、ハブノードを検出する。 提案手法は,Human Connectome Project(HCP)のシミュレーションデータと静止状態fMRI(rs-fMRI)データの両方を用いて評価する。

関連論文リスト

• Skeleton-Based Action Recognition with Spatial-Structural Graph Convolution [0.7373617024876725]
  グラフ畳み込みネットワーク(GCN)における骨格データの表現とオーバースムース化の問題について検討する。 空間構造GCN(SpSt-GCN)と呼ばれる2ストリームグラフ畳み込み法を提案する。 提案手法は,NTU RGB+DとNTU RGB+D 120の2つの大規模データセットに対して評価を行った。
  論文  参考訳（メタデータ） (2024-07-31T11:04:41Z)
• GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
  GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。 革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。 グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-15T11:30:18Z)
• Graph Ordering Attention Networks [22.468776559433614]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。 近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
  論文  参考訳（メタデータ） (2022-04-11T18:13:19Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Graph-based Kinship Reasoning Network [83.143147853422]
  本稿では,親族検証のためのグラフベース親族推論(GKR)ネットワークを提案する。 提案したGKRは、親和関係グラフと呼ばれる星グラフを構成する。 KinFaceW-IとKinFaceW-IIデータセットの大規模な実験結果から、提案したGKRは最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-22T02:55:38Z)

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。