論文の概要: Using Graph Convolutional Networks to Address fMRI Small Data Problems

• arxiv url: http://arxiv.org/abs/2502.17489v1
• Date: Wed, 19 Feb 2025 18:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:23:39.329799
• Title: Using Graph Convolutional Networks to Address fMRI Small Data Problems
• Title（参考訳）: グラフ畳み込みネットワークを用いたfMRI小データ問題への対処
• Authors: Thomas Screven, Andras Necz, Jason Smucny, Ian Davidson,
• Abstract要約: グラフニューラルネットワークを用いた医用画像の小さなデータ問題からの学習に対処する。 本稿では,接続データのスペクトル表現が効率的な伝搬を実現する方法を示す。 本手法の優れた性能は、三角形の不等式を閉じることによって測定できるデータ平滑化結果によるものである。
• 参考スコア（独自算出の注目度）: 13.215224901936194
• License:
• Abstract: Although great advances in the analysis of neuroimaging data have been made, a major challenge is a lack of training data. This is less problematic in tasks such as diagnosis, where much data exists, but particularly prevalent in harder problems such as predicting treatment responses (prognosis), where data is focused and hence limited. Here, we address the learning from small data problems for medical imaging using graph neural networks. This is particularly challenging as the information about the patients is themselves graphs (regions of interest connectivity graphs). We show how a spectral representation of the connectivity data allows for efficient propagation that can yield approximately 12\% improvement over traditional deep learning methods using the exact same data. We show that our method's superior performance is due to a data smoothing result that can be measured by closing the number of triangle inequalities and thereby satisfying transitivity.
• Abstract（参考訳）: 神経画像データの解析において大きな進歩があったが、大きな課題はトレーニングデータの欠如である。 これは、多くのデータが存在している診断のようなタスクでは問題にならないが、特にデータに集中して制限される治療反応(予後)の予測のような難しい問題に多い。 本稿では,グラフニューラルネットワークを用いた医用画像の小さなデータ問題からの学習に対処する。 患者に関する情報はグラフ自身(関心のある接続グラフの領域)であるので、これは特に難しい。 接続データのスペクトル表現によって効率のよい伝搬が可能であり,同じデータを用いて従来のディープラーニング手法よりも約12倍改善できることを示す。 提案手法の優れた性能は,三角形の不等式を閉じて遷移度を満足させることによって測定できるデータ平滑化結果によるものであることを示す。

関連論文リスト

• GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks [69.97213941893351]
  グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。 既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。 本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-13T02:59:37Z)
• Connecting the Dots: Graph Neural Network Powered Ensemble and Classification of Medical Images [0.0]
  医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。 画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。 これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
  論文  参考訳（メタデータ） (2023-11-13T13:20:54Z)
• Training Differentially Private Graph Neural Networks with Random Walk Sampling [1.8059331230167266]
  異なるプライベートな降下は、トレーニングデータに関する機密情報を漏らすことなく、ニューラルネットワークをトレーニングするための事実上の標準である。 実際には、これはグラフ上のプライバシー保護のディープラーニングを、非常に浅いグラフニューラルネットワークに制限する。 本稿では、与えられたトレーニンググラフの非結合部分グラフ上でグラフニューラルネットワークをトレーニングすることで、この問題を解決することを提案する。
  論文  参考訳（メタデータ） (2023-01-02T16:14:50Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Distributed Graph Learning with Smooth Data Priors [61.405131495287755]
  本稿では,ノード上の信号観測からグラフを推論する分散グラフ学習アルゴリズムを提案する。 この結果から,分散手法は,推定グラフの精度を損なうことなく,集中型アルゴリズムよりも通信コストが低いことがわかった。
  論文  参考訳（メタデータ） (2021-12-11T00:52:02Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
  本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。 従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
  論文  参考訳（メタデータ） (2021-03-27T04:47:59Z)
• Edge-variational Graph Convolutional Networks for Uncertainty-aware Disease Prediction [7.6146285961466]
  本研究では、画像データと非画像データを自動的に統合し、不確実性を考慮した疾患予測を行うための一般化可能なフレームワークを提案する。 4つのデータベースを用いた実験結果から,自閉症スペクトラム障害,アルツハイマー病,眼疾患の診断精度を一貫して改善できることがわかった。
  論文  参考訳（メタデータ） (2020-09-06T15:53:17Z)

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。