論文の概要: Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis
- arxiv url: http://arxiv.org/abs/2509.14965v1
- Date: Thu, 18 Sep 2025 13:55:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-19 17:26:53.250163
- Title: Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis
- Title（参考訳）: Brain-HGCN:脳機能ネットワーク解析のためのハイパーボリックグラフ畳み込みネットワーク
- Authors: Junhao Jia, Yunyou Liu, Cheng Yang, Yifei Sun, Feiwei Qin, Changmiao Wang, Yong Peng,
- Abstract要約: 双曲幾何学に基づく幾何学的深層学習フレームワークBrain-HGCNを提案する。
精神疾患分類のための2つの大規模fMRIデータセットの実験は、我々のアプローチが最先端のユークリッドベースラインを大きく上回っていることを示している。
この研究は、fMRI分析のための新しい幾何学的深層学習パラダイムを開拓し、計算心理学の分野における双曲型GNNの潜在可能性を強調した。
- 参考スコア（独自算出の注目度）: 12.899767824635433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional magnetic resonance imaging (fMRI) provides a powerful non-invasive window into the brain's functional organization by generating complex functional networks, typically modeled as graphs. These brain networks exhibit a hierarchical topology that is crucial for cognitive processing. However, due to inherent spatial constraints, standard Euclidean GNNs struggle to represent these hierarchical structures without high distortion, limiting their clinical performance. To address this limitation, we propose Brain-HGCN, a geometric deep learning framework based on hyperbolic geometry, which leverages the intrinsic property of negatively curved space to model the brain's network hierarchy with high fidelity. Grounded in the Lorentz model, our model employs a novel hyperbolic graph attention layer with a signed aggregation mechanism to distinctly process excitatory and inhibitory connections, ultimately learning robust graph-level representations via a geometrically sound Fr\'echet mean for graph readout. Experiments on two large-scale fMRI datasets for psychiatric disorder classification demonstrate that our approach significantly outperforms a wide range of state-of-the-art Euclidean baselines. This work pioneers a new geometric deep learning paradigm for fMRI analysis, highlighting the immense potential of hyperbolic GNNs in the field of computational psychiatry.
- Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、通常グラフとしてモデル化された複雑な機能的ネットワークを生成することによって、脳の機能的組織に強力な非侵襲的な窓を提供する。
これらの脳ネットワークは、認知処理に不可欠な階層的トポロジーを示す。
しかし、固有の空間的制約のため、標準的なユークリッドGNNは、高い歪みを伴わずにこれらの階層構造を表現するのに苦労し、臨床成績を制限している。
この制限に対処するために、負の曲線空間の内在性を利用して高忠実度で脳のネットワーク階層をモデル化する、双曲幾何学に基づく幾何学的深層学習フレームワークBrain-HGCNを提案する。
ローレンツモデルに基づく本モデルでは,新しい双曲グラフアテンション層と符号付きアグリゲーション機構を用いて,排他的および阻止的接続を明瞭に処理し,最終的にグラフ読み出しのための幾何学的音Fr\echet平均を用いて頑健なグラフレベルの表現を学習する。
精神疾患分類のための2つの大規模fMRIデータセットの実験は、我々のアプローチが最先端のユークリッドベースラインを大きく上回っていることを示している。
この研究は、fMRI分析のための新しい幾何学的深層学習パラダイムを開拓し、計算心理学の分野における双曲型GNNの潜在可能性を強調した。
関連論文リスト
- Hyperbolic Kernel Graph Neural Networks for Neurocognitive Decline Analysis from Multimodal Brain Imaging [22.883290184028738]
本稿では,マルチモーダル・ニューロイメージングを用いた神経認知下降解析のためのハイパーボリックカーネルグラフ融合フレームワークを提案する。
マルチモーダルグラフ構築モジュール、双曲空間で脳グラフを符号化するグラフ表現学習モジュール、下流予測のための双曲ニューラルネットワークで構成される。
論文 参考訳（メタデータ） (2025-06-24T13:16:37Z) - Can we ease the Injectivity Bottleneck on Lorentzian Manifolds for Graph Neural Networks? [0.0]
Lorentzian Graph Isomorphic Network (LGIN)は、Lorentzianモデル内での識別性を高めるために設計された新しいHGNNである。
LGINは、強力で差別性の高いGNNアーキテクチャの原理をリーマン多様体に適応させた最初のものである。
論文 参考訳（メタデータ） (2025-03-31T18:49:34Z) - Strongly Topology-preserving GNNs for Brain Graph Super-resolution [5.563171090433323]
脳グラフ超解像(英: Brain graph super- resolution, SR)は、ネットワーク神経科学において研究されていないが、非常に関連性の高い課題である。
現在のSR手法では、グラフ構造化データセットを処理できるため、グラフニューラルネットワーク(GNN)を活用している。
我々は、低分解能(LR)脳グラフのエッジ空間から高分解能(HR)双対グラフのノード空間への効率的なマッピングを開発する。
論文 参考訳（メタデータ） (2024-11-01T03:29:04Z) - Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders [27.280927277680515]
本稿では、一般化可能なエンコーダをトレーニングするためのプレテキストモデルと、下流タスクを実行するためのタスク固有モデルからなるトポロジ対応グラフ拡張(TGA)フレームワークを提案する。
1,688 fMRIでの実験では、TGAがいくつかの最先端の手法より優れていることが示唆された。
論文 参考訳（メタデータ） (2024-10-31T19:37:20Z) - 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) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - 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) - 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) - 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) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z)
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。