論文の概要: Defining and Benchmarking a Data-Centric Design Space for Brain Graph Construction

• arxiv url: http://arxiv.org/abs/2508.12533v1
• Date: Sun, 17 Aug 2025 23:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.845919
• Title: Defining and Benchmarking a Data-Centric Design Space for Brain Graph Construction
• Title（参考訳）: 脳グラフ構築のためのデータ中心設計空間の定義とベンチマーク
• Authors: Qinwen Ge, Roza G. Bayrak, Anwar Said, Catie Chang, Xenofon Koutsoukos, Tyler Derr,
• Abstract要約: 現在のプラクティスは、しばしば、脳グラフの構築方法における重要なデータ中心の選択を無視する厳格なパイプラインに依存しています。 我々は、データ中心AIの観点を採用し、脳グラフ構築のためのデータ中心の設計空間を体系的に定義し、ベンチマークする。 私たちの貢献は、新しいコンポーネントよりも、既存のテクニックと修正されたテクニックの組み合わせが下流のパフォーマンスにどのように影響するかを評価することにあります。
• 参考スコア（独自算出の注目度）: 7.876894803609822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The construction of brain graphs from functional Magnetic Resonance Imaging (fMRI) data plays a crucial role in enabling graph machine learning for neuroimaging. However, current practices often rely on rigid pipelines that overlook critical data-centric choices in how brain graphs are constructed. In this work, we adopt a Data-Centric AI perspective and systematically define and benchmark a data-centric design space for brain graph construction, constrasting with primarily model-centric prior work. We organize this design space into three stages: temporal signal processing, topology extraction, and graph featurization. Our contributions lie less in novel components and more in evaluating how combinations of existing and modified techniques influence downstream performance. Specifically, we study high-amplitude BOLD signal filtering, sparsification and unification strategies for connectivity, alternative correlation metrics, and multi-view node and edge features, such as incorporating lagged dynamics. Experiments on the HCP1200 and ABIDE datasets show that thoughtful data-centric configurations consistently improve classification accuracy over standard pipelines. These findings highlight the critical role of upstream data decisions and underscore the importance of systematically exploring the data-centric design space for graph-based neuroimaging. Our code is available at https://github.com/GeQinwen/DataCentricBrainGraphs.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)データから脳のグラフを構築することは、ニューロイメージングのためのグラフ機械学習を実現する上で重要な役割を担っている。 しかしながら、現在のプラクティスは、しばしば、脳グラフの構築方法における重要なデータ中心の選択を無視する厳格なパイプラインに依存しています。 本研究では、データ中心AIの観点を採用し、脳グラフ構築のためのデータ中心設計空間を体系的に定義し、ベンチマークする。 この設計空間は、時間信号処理、トポロジー抽出、グラフ加工という3つの段階に分けられる。 私たちの貢献は、新しいコンポーネントよりも、既存のテクニックと修正されたテクニックの組み合わせが下流のパフォーマンスにどのように影響するかを評価することにあります。 具体的には、高振幅BOLD信号フィルタリング、接続性のためのスペーシングと統一戦略、代替相関指標、マルチビューノードとエッジの特徴について検討する。 HCP1200とABIDEデータセットの実験は、思慮深いデータ中心の構成が標準パイプラインよりも分類精度を一貫して改善していることを示している。 これらの知見は、上流データ決定の重要な役割を浮き彫りにして、グラフベースのニューロイメージングにおいて、データ中心の設計空間を体系的に探求することの重要性を浮き彫りにしている。 私たちのコードはhttps://github.com/GeQinwen/DataCentricBrainGraphsで利用可能です。

関連論文リスト

• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• Balanced Graph Structure Information for Brain Disease Detection [6.799894169098717]
  グラフ畳み込みネットワーク(GCN)を用いたフィルタ相関行列と最適サンプルグラフの2つのグラフ構造をモデル化したBargrainを提案する。 我々の広範な実験に基づいて、Bargrainは、平均的なF1スコアによって測定された脳疾患データセットの分類タスクにおいて、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-12-30T06:50:52Z)
• NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [9.803179588247252]
  グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。 行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
  論文  参考訳（メタデータ） (2023-06-09T19:10:16Z)
• 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)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)

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。