論文の概要: BrainNetMLP: An Efficient and Effective Baseline for Functional Brain Network Classification

• arxiv url: http://arxiv.org/abs/2505.11538v1
• Date: Wed, 14 May 2025 10:55:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.686461
• Title: BrainNetMLP: An Efficient and Effective Baseline for Functional Brain Network Classification
• Title（参考訳）: BrainNetMLP: 機能的脳ネットワーク分類のための効率的かつ効果的なベースライン
• Authors: Jiacheng Hou, Zhenjie Song, Ercan Engin Kuruoglu,
• Abstract要約: 機能的脳ネットワーク分類のための純粋深層学習アーキテクチャであるBrainNetMLPを提案する。 提案したBrainNetMLPを2つのパブリックおよびポピュラーな脳ネットワーク分類データセットで評価した。
• 参考スコア（独自算出の注目度）: 2.969929079464237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies have made great progress in functional brain network classification by modeling the brain as a network of Regions of Interest (ROIs) and leveraging their connections to understand brain functionality and diagnose mental disorders. Various deep learning architectures, including Convolutional Neural Networks, Graph Neural Networks, and the recent Transformer, have been developed. However, despite the increasing complexity of these models, the performance gain has not been as salient. This raises a question: Does increasing model complexity necessarily lead to higher classification accuracy? In this paper, we revisit the simplest deep learning architecture, the Multi-Layer Perceptron (MLP), and propose a pure MLP-based method, named BrainNetMLP, for functional brain network classification, which capitalizes on the advantages of MLP, including efficient computation and fewer parameters. Moreover, BrainNetMLP incorporates a dual-branch structure to jointly capture both spatial connectivity and spectral information, enabling precise spatiotemporal feature fusion. We evaluate our proposed BrainNetMLP on two public and popular brain network classification datasets, the Human Connectome Project (HCP) and the Autism Brain Imaging Data Exchange (ABIDE). Experimental results demonstrate pure MLP-based methods can achieve state-of-the-art performance, revealing the potential of MLP-based models as more efficient yet effective alternatives in functional brain network classification. The code will be available at https://github.com/JayceonHo/BrainNetMLP.
• Abstract（参考訳）: 近年の研究では、脳を関心の領域(ROI)のネットワークとしてモデル化し、脳の機能を理解し、精神障害を診断するためにそれらの接続を活用することによって、機能的脳ネットワークの分類に大きな進歩を遂げている。 畳み込みニューラルネットワーク、グラフニューラルネットワーク、最新のTransformerなど、さまざまなディープラーニングアーキテクチャが開発されている。 しかし、これらのモデルの複雑さが増しているにもかかわらず、性能の上昇はそれほど顕著ではなかった。 モデル複雑性の増大は、必ずしもより高い分類精度をもたらすのだろうか? 本稿では,最も単純な深層学習アーキテクチャであるMulti-Layer Perceptron(MLP)を再検討し,効率的な計算と少ないパラメータを含むMLPの利点を生かした機能的脳ネットワーク分類のための純粋MLPベースの手法BrainNetMLPを提案する。 さらに、BrainNetMLPには二重ブランチ構造が組み込まれており、空間接続性とスペクトル情報の両方を共同で捕捉し、正確な時空間的特徴融合を可能にする。 我々は、Human Connectome Project(HCP)とAutism Brain Imaging Data Exchange(ABIDE)の2つのパブリックおよび人気のある脳ネットワーク分類データセットに基づいて、提案したBrainNetMLPを評価した。 実験により、純粋なMLPベースの手法は最先端のパフォーマンスを達成でき、機能的脳ネットワーク分類において、より効率的で効果的な代替手段として、MLPベースのモデルの可能性を明らかにした。 コードはhttps://github.com/JayceonHo/BrainNetMLP.comで入手できる。

関連論文リスト

• Core-Periphery Principle Guided State Space Model for Functional Connectome Classification [30.044545011553172]
  Core-Periphery State-Space Model (CP-SSM)は、関数コネクトーム分類のための革新的なフレームワークである。 線形複雑性を持つ選択状態空間モデルであるMambaは、機能的脳ネットワークにおける長距離依存関係を効果的にキャプチャする。 CP-SSMは、計算複雑性を著しく低減しつつ、分類性能においてTransformerベースのモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-18T19:03:27Z)
• MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
  MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。 脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。 脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
  論文  参考訳（メタデータ） (2025-02-07T16:01:59Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks [4.675640373196467]
  脳ネットワークの既存のモデルは、通常、脳の領域に焦点を当てたり、脳の結合性の複雑さを見落としたりする。 我々は脳の接続性を改善するための識別可能なモジュールを開発した。 実験の結果,提案手法は様々なベースラインモデルの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-05-28T23:49:52Z)
• Sparse Multitask Learning for Efficient Neural Representation of Motor Imagery and Execution [30.186917337606477]
  運動画像(MI)と運動実行(ME)タスクのためのスパースマルチタスク学習フレームワークを提案する。 MI-ME分類のためのデュアルタスクCNNモデルが与えられた場合、過渡的な接続に対して、サリエンシに基づくスペーシフィケーションアプローチを適用する。 以上の結果から, この調整された疎水性は, 過度に適合する問題を緩和し, 少ないデータ量でテスト性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-12-10T09:06:16Z)
• Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
  本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。 階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
  論文  参考訳（メタデータ） (2023-05-06T22:14:13Z)
• Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network [0.8399688944263843]
  既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。 本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。 我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-08T12:14:33Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)

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。