論文の概要: CogGNN: Cognitive Graph Neural Networks in Generative Connectomics

• arxiv url: http://arxiv.org/abs/2509.10864v1
• Date: Sat, 13 Sep 2025 15:38:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.821499
• Title: CogGNN: Cognitive Graph Neural Networks in Generative Connectomics
• Title（参考訳）: CogGNN: 生成コネクティクスにおける認知グラフニューラルネットワーク
• Authors: Mayssa Soussia, Yijun Lin, Mohamed Ali Mahjoub, Islem Rekik,
• Abstract要約: 認知的特徴を保った脳ネットワークを生成するために,最初のコグニファイド生成モデルであるCogGNNを導入する。 i)視覚記憶に基づく損失を伴う新しい認知認識型生成モデル、(ii)協調最適化戦略を備えたCBT学習フレームワークにより、よく中心的で差別的で認知的に強化されたテンプレートを得る。
• 参考スコア（独自算出の注目度）: 10.391115198133063
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative learning has advanced network neuroscience, enabling tasks like graph super-resolution, temporal graph prediction, and multimodal brain graph fusion. However, current methods, mainly based on graph neural networks (GNNs), focus solely on structural and topological properties, neglecting cognitive traits. To address this, we introduce the first cognified generative model, CogGNN, which endows GNNs with cognitive capabilities (e.g., visual memory) to generate brain networks that preserve cognitive features. While broadly applicable, we present CogGNN, a specific variant designed to integrate visual input, a key factor in brain functions like pattern recognition and memory recall. As a proof of concept, we use our model to learn connectional brain templates (CBTs), population-level fingerprints from multi-view brain networks. Unlike prior work that overlooks cognitive properties, CogGNN generates CBTs that are both cognitively and structurally meaningful. Our contributions are: (i) a novel cognition-aware generative model with a visual-memory-based loss; (ii) a CBT-learning framework with a co-optimization strategy to yield well-centered, discriminative, cognitively enhanced templates. Extensive experiments show that CogGNN outperforms state-of-the-art methods, establishing a strong foundation for cognitively grounded brain network modeling.
• Abstract（参考訳）: 生成学習はネットワーク神経科学を進歩させ、グラフ超解像、時間グラフ予測、マルチモーダル脳グラフ融合などのタスクを可能にする。 しかし、現在の手法は主にグラフニューラルネットワーク(GNN)に基づいており、認知特性を無視し、構造的および位相的特性にのみ焦点をあてている。 これを解決するために,認知機能(例えば視覚記憶)をGNNに付与し,認知的特徴を保存する脳ネットワークを生成する,最初の協調生成モデルであるCogGNNを導入する。 適用範囲は広く,パターン認識やメモリリコールなどの脳機能において重要な要素である視覚入力を統合するために設計された特定の変種であるCagGNNを提案する。 概念実証として、我々は、マルチビュー脳ネットワークからコネクショナル脳テンプレート(CBT)、集団レベルの指紋を学習するために、我々のモデルを使用します。 認知特性を見落としている以前の研究とは異なり、CogGNNは認知的かつ構造的に有意義なCBTを生成する。 私たちの貢献は次のとおりです。 (i)視覚記憶に基づく新規な認知認識生成モデル (II) CBT学習フレームワークと協調最適化戦略を併用し, 意識的, 差別的, 認知的に強化されたテンプレートを得る。 広範囲にわたる実験の結果、CogGNNは最先端の手法よりも優れており、認知的基盤を持つ脳ネットワークモデリングの強力な基盤を確立している。

関連論文リスト

• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• Exploring General Intelligence via Gated Graph Transformer in Functional Connectivity Studies [39.82681427764513]
  Gated Graph Transformer (GGT) フレームワークは,機能的接続性(FC)に基づく認知的メトリクスの予測を目的としている フィラデルフィア神経発達コホート(PNC)に関する実証的検証は,我々のモデルにおいて優れた予測能力を示している。
  論文  参考訳（メタデータ） (2024-01-18T19:28:26Z)
• Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data [2.193937336601403]
  本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。 本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
  論文  参考訳（メタデータ） (2023-11-06T20:58:07Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• 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)
• CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
  神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。 我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
  論文  参考訳（メタデータ） (2022-03-31T04:44:28Z)
• 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)
• Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [17.48272758284748]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データを解析するためのデファクトモデルとなっている。 我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。 特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2021-07-07T13:49:57Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。