論文の概要: Strongly Topology-preserving GNNs for Brain Graph Super-resolution

• arxiv url: http://arxiv.org/abs/2411.02525v1
• Date: Fri, 01 Nov 2024 03:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 15:01:06.923340
• Title: Strongly Topology-preserving GNNs for Brain Graph Super-resolution
• Title（参考訳）: 脳グラフ超解像のための強位相保存型GNN
• Authors: Pragya Singh, Islem Rekik,
• Abstract要約: 脳グラフ超解像(英: Brain graph super- resolution, SR)は、ネットワーク神経科学において研究されていないが、非常に関連性の高い課題である。 現在のSR手法では、グラフ構造化データセットを処理できるため、グラフニューラルネットワーク(GNN)を活用している。 我々は、低分解能(LR)脳グラフのエッジ空間から高分解能(HR)双対グラフのノード空間への効率的なマッピングを開発する。
• 参考スコア（独自算出の注目度）: 5.563171090433323
• License:
• Abstract: Brain graph super-resolution (SR) is an under-explored yet highly relevant task in network neuroscience. It circumvents the need for costly and time-consuming medical imaging data collection, preparation, and processing. Current SR methods leverage graph neural networks (GNNs) thanks to their ability to natively handle graph-structured datasets. However, most GNNs perform node feature learning, which presents two significant limitations: (1) they require computationally expensive methods to learn complex node features capable of inferring connectivity strength or edge features, which do not scale to larger graphs; and (2) computations in the node space fail to adequately capture higher-order brain topologies such as cliques and hubs. However, numerous studies have shown that brain graph topology is crucial in identifying the onset and presence of various neurodegenerative disorders like Alzheimer and Parkinson. Motivated by these challenges and applications, we propose our STP-GSR framework. It is the first graph SR architecture to perform representation learning in higher-order topological space. Specifically, using the primal-dual graph formulation from graph theory, we develop an efficient mapping from the edge space of our low-resolution (LR) brain graphs to the node space of a high-resolution (HR) dual graph. This approach ensures that node-level computations on this dual graph correspond naturally to edge-level learning on our HR brain graphs, thereby enforcing strong topological consistency within our framework. Additionally, our framework is GNN layer agnostic and can easily learn from smaller, scalable GNNs, reducing computational requirements. We comprehensively benchmark our framework across seven key topological measures and observe that it significantly outperforms the previous state-of-the-art methods and baselines.
• Abstract（参考訳）: 脳グラフ超解像(英: Brain graph super- resolution, SR)は、ネットワーク神経科学において研究されていないが、非常に関連性の高い課題である。 医療画像データ収集、準備、処理の費用と時間のかかる必要性を回避する。 現在のSR手法では、グラフ構造化データセットをネイティブに処理できるため、グラフニューラルネットワーク(GNN)を活用している。 しかし、GNNの多くはノード特徴学習を行っており、(1)接続強度やエッジ特徴を推定できる複雑なノード特徴を学習するために計算に費用がかかる方法、(2)ノード空間における計算は、クリフやハブのような高次脳トポロジを適切に捉えるのに失敗する。 しかし、多くの研究により、脳グラフトポロジーはアルツハイマーやパーキンソンのような様々な神経変性疾患の発症と存在を特定するのに不可欠であることが示されている。 これらの課題と応用により、我々はSTP-GSRフレームワークを提案する。 これは高階位相空間で表現学習を行う最初のグラフSRアーキテクチャである。 具体的には,低分解能(LR)脳グラフのエッジ空間から高分解能(HR)双対グラフのノード空間への効率的なマッピングを開発する。 このアプローチは、この2重グラフ上のノードレベルの計算が、我々のHR脳グラフ上のエッジレベルの学習と自然に対応していることを保証する。 さらに、我々のフレームワークはGNN層に依存しないため、より小さくスケーラブルなGNNから容易に学習でき、計算要求を低減できる。 当社のフレームワークを7つの主要なトポロジカル指標で総合的にベンチマークし、従来の最先端手法やベースラインよりも大幅に優れていることを観察する。

関連論文リスト

• Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders [27.280927277680515]
  本稿では、一般化可能なエンコーダをトレーニングするためのプレテキストモデルと、下流タスクを実行するためのタスク固有モデルからなるトポロジ対応グラフ拡張(TGA)フレームワークを提案する。 1,688 fMRIでの実験では、TGAがいくつかの最先端の手法より優れていることが示唆された。
  論文  参考訳（メタデータ） (2024-10-31T19:37:20Z)
• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Inter-Domain Alignment for Predicting High-Resolution Brain Networks Using Teacher-Student Learning [0.0]
  本稿では,脳グラフを超解する知識蒸留ネットワーク(L2S-KDnet)による脳グラフの超解法を提案する。 教師ネットワークは、まず、LR脳グラフの埋め込みを学習し、第二に、得られた潜在表現をHR基底真理データ分布に整合させる方法を学ぶグラフエンコーダデコーダである。 次に、学生ネットワークは、教師から受け継いだ予測されたHRグラフのトポロジ的構造とともに、整列した脳グラフの知識を学習する。
  論文  参考訳（メタデータ） (2021-10-06T09:31:44Z)
• Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
  本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。 これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-07T15:05:59Z)
• Brain Graph Super-Resolution Using Adversarial Graph Neural Network with Application to Functional Brain Connectivity [0.0]
  ハイレゾリューション(HR)脳グラフの自動生成を試みる,世界初のディープグラフスーパーレゾリューション(GSR)フレームワークを提案する。 提案されたAGSR-Netフレームワークは、低解像度から高分解能機能脳グラフを予測するための変種を上回った。
  論文  参考訳（メタデータ） (2021-05-02T09:09:56Z)
• GSR-Net: Graph Super-Resolution Network for Predicting High-Resolution from Low-Resolution Functional Brain Connectomes [0.0]
  低分解能グラフから高分解能脳グラフを生成するグラフ構造化データを操作する最初の超解像フレームワークであるGSR-Netを紹介する。 まず、非ユークリッドデータに特有のグラフ畳み込み、プーリング、アンプール操作に基づくU-Netのようなアーキテクチャを採用する。 第2に、スペクトル理論から着想を得たU-Netアーキテクチャの対称性を、HRグラフを予測するために、グラフ超解像層と2つのグラフ畳み込みネットワーク層でトッピングすることで破壊する。
  論文  参考訳（メタデータ） (2020-09-23T12:02:55Z)
• Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
  本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。 鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。 階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-08T13:11:07Z)
• Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
  グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。 本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。 我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
  論文  参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。