Fugu-MT 論文翻訳(概要): Functional Connectivity Graph Neural Networks

論文の概要: Functional Connectivity Graph Neural Networks

arxiv url: http://arxiv.org/abs/2508.05786v1
Date: Thu, 07 Aug 2025 18:59:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-11 20:39:05.988126
Title: Functional Connectivity Graph Neural Networks
Title（参考訳）: 関数接続性グラフニューラルネットワーク
Authors: Yang Li, Luopeiwen Yi, Tananun Songdechakraiwut,
Abstract要約: このアプローチを他のドメインに一般化する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。本手法では,グローバルなトポロジ的特徴を捉えるために,永続的なグラフホモロジーに基づく機能的接続ブロックを導入する。
参考スコア（独自算出の注目度）: 3.146587279468621
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Real-world networks often benefit from capturing both local and global interactions. Inspired by multi-modal analysis in brain imaging, where structural and functional connectivity offer complementary views of network organization, we propose a graph neural network framework that generalizes this approach to other domains. Our method introduces a functional connectivity block based on persistent graph homology to capture global topological features. Combined with structural information, this forms a multi-modal architecture called Functional Connectivity Graph Neural Networks. Experiments show consistent performance gains over existing methods, demonstrating the value of brain-inspired representations for graph-level classification across diverse networks.
Abstract（参考訳）: 実世界のネットワークは、しばしばローカルとグローバルの両方のインタラクションをキャプチャする恩恵を受ける。構造的および機能的接続がネットワーク構造の補完的なビューを提供する脳画像におけるマルチモーダル解析に着想を得て,このアプローチを他の領域に一般化する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。本手法では,グローバルなトポロジ的特徴を捉えるために,永続的なグラフホモロジーに基づく機能的接続ブロックを導入する。構造情報と組み合わせることで、関数接続グラフニューラルネットワークと呼ばれるマルチモーダルアーキテクチャを形成する。実験は、既存の手法よりも一貫したパフォーマンス向上を示し、多様なネットワークにわたるグラフレベルの分類のための脳にインスパイアされた表現の価値を示す。

関連論文リスト

Brain Network Classification Based on Graph Contrastive Learning and Graph Transformer [0.6906005491572401]
本稿では,グラフコントラスト学習をグラフ変換器と統合したPHGCL-DDGformerという新しいモデルを提案する。実世界のデータセットによる実験結果から、PHGCL-DDGformerモデルは、脳ネットワーク分類タスクにおける既存の最先端のアプローチよりも優れていることが示された。
論文参考訳（メタデータ） (2025-04-01T13:26:03Z)
Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions [1.994307489466967]
この研究は、メッセージパッシングニューラルネットワークにおいて、ネットワークの幅、深さ、グラフトポロジがオーバーカッシング現象に与える影響を明らかにする理論的枠組みから始まる。この研究は、トポロジカルニューラルネットワークを通して高次相互作用と多関係帰納バイアスへと流れていく。グラフ注意ネットワークにインスパイアされた2つのトポロジカルアテンションネットワーク(Simplicial and Cell Attention Networks)が提案されている。
論文参考訳（メタデータ） (2024-02-10T08:26:06Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Joint Graph Convolution for Analyzing Brain Structural and Functional Connectome [11.016035878136034]
本稿では,脳領域間でネットワーク間エッジを付加することにより,個人の2つのネットワークを結合することを提案する。ネットワーク間エッジの重みは学習可能であり、脳全体の非一様構造-機能結合強度を反映している。青少年期におけるアルコール・神経発達に関する全国コンソーシアムの公開データセットから,662人の参加者の年齢と性別を予測するために共同GCNを適用した。
論文参考訳（メタデータ） (2022-10-27T23:43:34Z)
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)
Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
論文参考訳（メタデータ） (2021-10-05T13:37:43Z)
Hierarchical Graph Neural Networks [0.0]
本稿では,従来のニューラルネットワークとグラフニューラルネットワークアーキテクチャの点を結びつけることを目的とする。従来の入力ネットワーク層を補助ネットワーク層の階層構造で補完する階層型グラフニューラルネットワークアーキテクチャを提案する。これにより、個々のノードの特徴と集約されたネットワークの特徴を可変解像度で同時学習し、個々のノードの特徴学習の収束と安定性を改善することができる。
論文参考訳（メタデータ） (2021-05-07T16:47:18Z)
Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文参考訳（メタデータ） (2021-04-16T04:30:06Z)
Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文参考訳（メタデータ） (2021-03-31T08:15:17Z)
Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文参考訳（メタデータ） (2020-07-13T17:59:31Z)

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。