論文の概要: BrainHGT: A Hierarchical Graph Transformer for Interpretable Brain Network Analysis

• arxiv url: http://arxiv.org/abs/2511.17604v1
• Date: Tue, 18 Nov 2025 05:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.285267
• Title: BrainHGT: A Hierarchical Graph Transformer for Interpretable Brain Network Analysis
• Title（参考訳）: BrainHGT: 解釈可能な脳ネットワーク解析のための階層型グラフ変換器
• Authors: Jiajun Ma, Yongchao Zhang, Chao Zhang, Zhao Lv, Shengbing Pei,
• Abstract要約: グラフ変換器は脳ネットワーク解析において顕著なポテンシャルを示す。 既存のほとんどの方法は、通常、脳を平らなネットワークとしてモデル化する。 BrainHGTは、局所的な地域からグローバルなコミュニティへの脳の自然情報処理をシミュレートする。
• 参考スコア（独自算出の注目度）: 18.79087093727031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Transformer shows remarkable potential in brain network analysis due to its ability to model graph structures and complex node relationships. Most existing methods typically model the brain as a flat network, ignoring its modular structure, and their attention mechanisms treat all brain region connections equally, ignoring distance-related node connection patterns. However, brain information processing is a hierarchical process that involves local and long-range interactions between brain regions, interactions between regions and sub-functional modules, and interactions among functional modules themselves. This hierarchical interaction mechanism enables the brain to efficiently integrate local computations and global information flow, supporting the execution of complex cognitive functions. To address this issue, we propose BrainHGT, a hierarchical Graph Transformer that simulates the brain's natural information processing from local regions to global communities. Specifically, we design a novel long-short range attention encoder that utilizes parallel pathways to handle dense local interactions and sparse long-range connections, thereby effectively alleviating the over-globalizing issue. To further capture the brain's modular architecture, we designe a prior-guided clustering module that utilizes a cross-attention mechanism to group brain regions into functional communities and leverage neuroanatomical prior to guide the clustering process, thereby improving the biological plausibility and interpretability. Experimental results indicate that our proposed method significantly improves performance of disease identification, and can reliably capture the sub-functional modules of the brain, demonstrating its interpretability.
• Abstract（参考訳）: グラフトランスフォーマーは、グラフ構造と複雑なノード関係をモデル化する能力により、脳ネットワーク分析において顕著なポテンシャルを示す。 既存のほとんどの方法は、平らなネットワークとして脳をモデル化し、そのモジュラー構造を無視し、その注意機構はすべての脳領域の接続を等しく扱い、距離に関連するノード接続パターンを無視している。 しかし、脳情報処理は階層的なプロセスであり、脳領域間の局所的および長距離的な相互作用、領域とサブファンクショナルモジュール間の相互作用、そして機能モジュール自体間の相互作用を含む。 この階層的な相互作用機構により、脳は局所的な計算とグローバルな情報の流れを効率的に統合し、複雑な認知機能の実行を支援することができる。 この問題に対処するために、局所的な地域からグローバルなコミュニティへの脳の自然情報処理をシミュレートする階層グラフ変換器であるBrainHGTを提案する。 具体的には、並列経路を利用して局所的な密接な相互作用を処理し、長距離接続を疎外し、グローバル化問題を効果的に緩和する新しい長短距離アテンションエンコーダを設計する。 脳のモジュラー構造をさらに捉えるため,我々は,脳領域を機能的コミュニティにグループ化し,神経解剖学を利用してクラスタリングプロセスのガイドを行い,生物学的妥当性と解釈性を向上させるために,クロスアテンション機構を利用した事前誘導クラスタリングモジュールを設計した。 実験結果から,本手法は疾患の同定性能を著しく向上させ,脳のサブファンクショナルモジュールを確実に捕捉し,その解釈可能性を示すことが示唆された。

関連論文リスト

• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks [4.675640373196467]
  脳ネットワークの既存のモデルは、通常、脳の領域に焦点を当てたり、脳の結合性の複雑さを見落としたりする。 我々は脳の接続性を改善するための識別可能なモジュールを開発した。 実験の結果,提案手法は様々なベースラインモデルの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-05-28T23:49:52Z)
• 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)
• Growing Brains: Co-emergence of Anatomical and Functional Modularity in Recurrent Neural Networks [18.375521792153112]
  構成タスクで訓練されたリカレントニューラルネットワーク(RNN)は、機能的なモジュラリティを示すことができる。 我々は、脳に触発されたモジュラートレーニングという最近の機械学習手法を、合成認知タスクの集合を解決するためにトレーニングされているネットワークに適用する。 機能的および解剖学的クラスタリングが同時に出現し、機能的に類似したニューロンが空間的局所化および相互接続されるようになる。
  論文  参考訳（メタデータ） (2023-10-11T17:58:25Z)
• Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
  人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いた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） (2023-05-21T08:29:16Z)
• Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
  本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。 階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
  論文  参考訳（メタデータ） (2023-05-06T22:14:13Z)
• 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)
• Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis [31.281194583900998]
  本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。 提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2022-06-30T08:02:05Z)
• 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)

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。