論文の概要: SlepNet: Spectral Subgraph Representation Learning for Neural Dynamics

• arxiv url: http://arxiv.org/abs/2506.16602v1
• Date: Thu, 19 Jun 2025 21:03:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.257482
• Title: SlepNet: Spectral Subgraph Representation Learning for Neural Dynamics
• Title（参考訳）: SlepNet: ニューラルダイナミクスのためのスペクトル部分グラフ表現学習
• Authors: Siddharth Viswanath, Rahul Singh, Yanlei Zhang, J. Adam Noah, Joy Hirsch, Smita Krishnaswamy,
• Abstract要約: グラフニューラルネットワークは、グラフ構造化データの機械学習に有用である。 それらはグラフ上のパターン信号の表現に限られている。 SlepNetはグラフ調和ではなくSlepianベースを使用する新しいGCNである。
• 参考スコア（独自算出の注目度）: 5.424636897130673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks have been useful in machine learning on graph-structured data, particularly for node classification and some types of graph classification tasks. However, they have had limited use in representing patterning of signals over graphs. Patterning of signals over graphs and in subgraphs carries important information in many domains including neuroscience. Neural signals are spatiotemporally patterned, high dimensional and difficult to decode. Graph signal processing and associated GCN models utilize the graph Fourier transform and are unable to efficiently represent spatially or spectrally localized signal patterning on graphs. Wavelet transforms have shown promise here, but offer non-canonical representations and cannot be tightly confined to subgraphs. Here we propose SlepNet, a novel GCN architecture that uses Slepian bases rather than graph Fourier harmonics. In SlepNet, the Slepian harmonics optimally concentrate signal energy on specifically relevant subgraphs that are automatically learned with a mask. Thus, they can produce canonical and highly resolved representations of neural activity, focusing energy of harmonics on areas of the brain which are activated. We evaluated SlepNet across three fMRI datasets, spanning cognitive and visual tasks, and two traffic dynamics datasets, comparing its performance against conventional GNNs and graph signal processing constructs. SlepNet outperforms the baselines in all datasets. Moreover, the extracted representations of signal patterns from SlepNet offers more resolution in distinguishing between similar patterns, and thus represent brain signaling transients as informative trajectories. Here we have shown that these extracted trajectory representations can be used for other downstream untrained tasks. Thus we establish that SlepNet is useful both for prediction and representation learning in spatiotemporal data.
• Abstract（参考訳）: グラフニューラルネットワークは、特にノード分類やある種のグラフ分類タスクにおいて、グラフ構造化データの機械学習に有用である。 しかし、それらはグラフ上の信号のパターンを表現するのに限られている。 グラフやサブグラフ上の信号のパターニングは、神経科学を含む多くの領域において重要な情報をもたらす。 神経信号は時空間パターンであり、高次元であり、復号は困難である。 グラフ信号処理と関連するGCNモデルは、グラフフーリエ変換を利用しており、グラフ上の空間的あるいはスペクトル的局所的な信号パターンを効率的に表現できない。 ウェーブレット変換はここでは公約を示すが、非正準表現を提供し、部分グラフに厳密に制限することはできない。 本稿では、グラフフーリエ高調波ではなくスレピアンベースを用いる新しいGCNアーキテクチャであるSlepNetを提案する。 SlepNetでは、スレピアン高調波はマスクで自動的に学習される特定の関連する部分グラフに信号エネルギーを最適に集中させる。 これにより、活性化されている脳の領域に高調波のエネルギーを集中させることで、脳活動の標準的かつ高度に解決された表現を生成できる。 SlepNetを3つのfMRIデータセット、認知的タスク、視覚的タスク、および2つのトラフィックダイナミクスデータセットで評価し、その性能を従来のGNNとグラフ信号処理構造と比較した。 SlepNetはすべてのデータセットでベースラインを上回っている。 さらに、SlepNetから抽出した信号パターンの表現は、類似したパターンを区別する際の分解能を高め、脳シグナル伝達トランジェントを情報的軌跡として表現する。 ここでは、これらの抽出された軌道表現が、他の下流未学習タスクに使用できることを示す。 そこで,SlepNetは時空間データの予測と表現学習に有用であることを示す。

関連論文リスト

• BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
  グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。 我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。 BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:03:14Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Variational models for signal processing with Graph Neural Networks [3.5939555573102853]
  本稿では,ニューラルネットワークを用いた点雲の信号処理について述べる。 本研究では,このようなグラフニューラルネットワークの変分モデルを用いて,教師なし学習のためのグラフ上の信号を処理する方法を検討する。
  論文  参考訳（メタデータ） (2021-03-30T13:31:11Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。