論文の概要: A Self-guided Multimodal Approach to Enhancing Graph Representation Learning for Alzheimer's Diseases

• arxiv url: http://arxiv.org/abs/2412.06212v1
• Date: Mon, 09 Dec 2024 05:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:57:17.303427
• Title: A Self-guided Multimodal Approach to Enhancing Graph Representation Learning for Alzheimer's Diseases
• Title（参考訳）: アルツハイマー病のグラフ表現学習を支援するための自己指導型マルチモーダルアプローチ
• Authors: Zhepeng Wang, Runxue Bao, Yawen Wu, Guodong Liu, Lei Yang, Liang Zhan, Feng Zheng, Weiwen Jiang, Yanfu Zhang,
• Abstract要約: グラフニューラルネットワーク(GNN)は、不規則に構造化されたデータを扱うように設計された強力な機械学習モデルである。 本稿では,ドメイン知識を自律的にモデル開発プロセスに組み込む自己誘導型知識注入型マルチモーダルGNNを提案する。 提案手法は,ドメイン知識を自然言語として概念化し,未処理の知識を活用できる専門的なマルチモーダルGNNを導入する。
• 参考スコア（独自算出の注目度）: 45.59286036227576
• License:
• Abstract: Graph neural networks (GNNs) are powerful machine learning models designed to handle irregularly structured data. However, their generic design often proves inadequate for analyzing brain connectomes in Alzheimer's Disease (AD), highlighting the need to incorporate domain knowledge for optimal performance. Infusing AD-related knowledge into GNNs is a complicated task. Existing methods typically rely on collaboration between computer scientists and domain experts, which can be both time-intensive and resource-demanding. To address these limitations, this paper presents a novel self-guided, knowledge-infused multimodal GNN that autonomously incorporates domain knowledge into the model development process. Our approach conceptualizes domain knowledge as natural language and introduces a specialized multimodal GNN capable of leveraging this uncurated knowledge to guide the learning process of the GNN, such that it can improve the model performance and strengthen the interpretability of the predictions. To evaluate our framework, we curated a comprehensive dataset of recent peer-reviewed papers on AD and integrated it with multiple real-world AD datasets. Experimental results demonstrate the ability of our method to extract relevant domain knowledge, provide graph-based explanations for AD diagnosis, and improve the overall performance of the GNN. This approach provides a more scalable and efficient alternative to inject domain knowledge for AD compared with the manual design from the domain expert, advancing both prediction accuracy and interpretability in AD diagnosis.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、不規則に構造化されたデータを扱うように設計された強力な機械学習モデルである。 しかし、それらのジェネリックデザインは、アルツハイマー病(AD)の脳コネクトームを解析するのに不適切であることをしばしば証明し、最適なパフォーマンスのためにドメイン知識を組み込む必要性を強調している。 AD関連の知識をGNNに注入するのは複雑な作業である。 既存の手法は通常、コンピュータ科学者とドメインエキスパートのコラボレーションに依存しており、時間集約的かつリソース要求的である。 これらの制約に対処するため,本論文では,ドメイン知識を自律的にモデル開発プロセスに組み込む,自己誘導型,知識注入型マルチモーダルGNNを提案する。 提案手法は,ドメイン知識を自然言語として概念化し,この不正確な知識を活用して,モデル性能の向上と予測の解釈可能性の向上を図りながら,GNNの学習プロセスをガイドする,特殊なマルチモーダルGNNを導入する。 フレームワークを評価するため、我々はADに関する最近のピアレビュー論文の包括的なデータセットをキュレートし、それを複数の現実のADデータセットと統合した。 実験により,本手法が関連するドメイン知識を抽出し,AD診断のためのグラフベースの説明を提供し,GNNの全体的な性能を向上させることを示す。 このアプローチは、AD診断における予測精度と解釈可能性の両方を前進させる、ドメインエキスパートによる手動設計と比較して、ADのためのドメイン知識を注入する、よりスケーラブルで効率的な代替手段を提供する。

関連論文リスト

• Preserving Information: How does Topological Data Analysis improve Neural Network performance? [0.0]
  本稿では,画像認識におけるトポロジカルデータ解析(TDA)と畳み込みニューラルネットワーク(CNN)の統合手法を提案する。 我々のアプローチは、ベクトルスチッチ(Vector Stitching)と呼ばれ、生画像データと追加のトポロジ情報を組み合わせたものである。 実験の結果は,追加データ解析の結果をネットワークの推論プロセスに組み込むことの可能性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T14:56:05Z)
• Bayesian Neural Networks with Domain Knowledge Priors [52.80929437592308]
  ドメイン知識の一般的な形式をBNNに組み込むためのフレームワークを提案する。 提案したドメイン知識を用いたBNNは,標準知識のBNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-20T22:34:53Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Exploring Causal Learning through Graph Neural Networks: An In-depth Review [12.936700685252145]
  因果関係の研究に用いられている様々な最先端のGNN手法を包含する新しい分類法を提案する。 GNNは、その因果領域における応用に基づいてさらに分類される。 このレビューは、多様な分野にわたる因果学習の適用にも触れている。
  論文  参考訳（メタデータ） (2023-11-25T10:46:06Z)
• Bridged-GNN: Knowledge Bridge Learning for Effective Knowledge Transfer [65.42096702428347]
  グラフニューラルネットワーク(GNN)は、隣接するノードから情報を集約する。 知識ブリッジ学習(KBL)は、対象ドメインに対する知識強化後部分布を学習する。 Bridged-GNNには、Bridged-Graphを構築するためのAdaptive Knowledge Retrievalモジュールと、Graph Knowledge Transferモジュールが含まれている。
  論文  参考訳（メタデータ） (2023-08-18T12:14:51Z)
• Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
  本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。 このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。 我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
  論文  参考訳（メタデータ） (2023-07-03T16:01:45Z)
• Introducing Expertise Logic into Graph Representation Learning from A Causal Perspective [19.6045119188211]
  人的知識をGNNモデルに組み込む新しいグラフ表現学習法を提案する。 提案手法は、GNNモデルが人間の専門家が保持する専門知識を取得するだけでなく、データセットからエンドツーエンドの学習を行うことを可能にする。
  論文  参考訳（メタデータ） (2023-01-20T09:54:44Z)
• Coarse-to-fine Knowledge Graph Domain Adaptation based on Distantly-supervised Iterative Training [12.62127290494378]
  知識グラフの適応と再学習のための統合フレームワークを提案する。 モデルをトレーニングするために手動のデータアノテーションは必要ない。 ドメイン固有の名前付きエンティティやトリプルの発見を容易にするための,新しい反復的トレーニング戦略を導入する。
  論文  参考訳（メタデータ） (2022-11-05T08:16:38Z)
• Incorporation of Deep Neural Network & Reinforcement Learning with Domain Knowledge [0.0]
  本稿では,ニューラルネットワークを用いたモデル構築において,ドメイン情報を組み込んだ手法について述べる。 空間データの統合は、知識理解モデルの開発や、ヒューマン・マシン・インタフェースと強化学習を活用することで情報理解を支援する他の分野において、一意に重要である。
  論文  参考訳（メタデータ） (2021-07-29T17:29:02Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。