論文の概要: Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification

• arxiv url: http://arxiv.org/abs/2511.22178v1
• Date: Thu, 27 Nov 2025 07:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.443265
• Title: Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification
• Title（参考訳）: Chebyshev Spectral Graphとグラフ注意を用いた自閉症スペクトラム障害分類のためのグラフ畳み込みネットワークの強化
• Authors: Adnan Ferdous Ashrafi, Hasanul Kabir,
• Abstract要約: 本稿では,Chebyshev Spectral Graph Convolution and Graph Attention Networks(GAT)を組み込んだGCNモデルを提案する。 このモデルは,1個あたり5,206個の特徴量を持つ5倍の層状クロスバリデーションを用いて訓練される。 大規模な試験では、拡張モデルの優位性を示し、テスト精度は74.82%、AUCは0.82である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: ASD is a complicated neurodevelopmental disorder marked by variation in symptom presentation and neurological underpinnings, making early and objective diagnosis extremely problematic. This paper presents a Graph Convolutional Network (GCN) model, incorporating Chebyshev Spectral Graph Convolution and Graph Attention Networks (GAT), to increase the classification accuracy of ASD utilizing multimodal neuroimaging and phenotypic data. Leveraging the ABIDE I dataset, which contains resting-state functional MRI (rs-fMRI), structural MRI (sMRI), and phenotypic variables from 870 patients, the model leverages a multi-branch architecture that processes each modality individually before merging them via concatenation. Graph structure is encoded using site-based similarity to generate a population graph, which helps in understanding relationship connections across individuals. Chebyshev polynomial filters provide localized spectral learning with lower computational complexity, whereas GAT layers increase node representations by attention-weighted aggregation of surrounding information. The proposed model is trained using stratified five-fold cross-validation with a total input dimension of 5,206 features per individual. Extensive trials demonstrate the enhanced model's superiority, achieving a test accuracy of 74.82\% and an AUC of 0.82 on the entire dataset, surpassing multiple state-of-the-art baselines, including conventional GCNs, autoencoder-based deep neural networks, and multimodal CNNs.
• Abstract（参考訳）: ASDは、症状の提示と神経学的アンダーピングの変化を特徴とする複雑な神経発達障害であり、早期および客観的診断を極めて困難にしている。 本稿では,Chebyshev Spectral Graph Convolution and Graph Attention Networks(GAT)を取り入れたGCNモデルを提案する。 ABIDE Iデータセットは870人の患者の静止状態機能MRI(rs-fMRI)、構造MRI(sMRI)、表現型変数を含む。 グラフ構造は、サイトベースの類似性を用いて符号化され、個体間の関係関係を理解するのに役立つ人口グラフを生成する。 チェビシェフ多項式フィルタは計算複雑性の低い局所的なスペクトル学習を提供するが、GAT層は周辺情報の注意重み付けによるノード表現を増加させる。 提案モデルでは,1個あたり5,206個の特徴量を持つ層状5次元クロスバリデーションを用いてトレーニングを行った。 大規模な試行では、従来のGCN、オートエンコーダベースのディープニューラルネットワーク、マルチモーダルCNNなど、複数の最先端のベースラインを越え、データセット全体のテスト精度74.82\%、AUC0.82が達成された。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• MOTGNN: Interpretable Graph Neural Networks for Multi-Omics Disease Classification [8.939868953031976]
  本稿では,2次疾患分類のための新規かつ解釈可能なフレームワークである木生成グラフニューラルネット(MOTGNN)とのマルチオミクス統合を提案する。 MOTGNNは、EXtreme Gradient Boosting(XGBoost)を使用して、オミクス固有の教師付きグラフ構築を行い、次いで階層的表現学習のためのモダリティ固有のグラフニューラルネットワーク(GNN)と、クロスオミクス統合のためのディープフィードフォワードネットワークが続く。
  論文  参考訳（メタデータ） (2025-08-10T19:35:53Z)
• Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
  本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。 提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。 我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2023-11-13T14:36:29Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network for Disease Prediction [20.19380805655623]
  空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。 また,多層アグリゲーション機構を用いた新しいグラフ畳み込み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） (2021-06-16T12:13:23Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Multi-hop Attention Graph Neural Network [70.21119504298078]
  マルチホップアテンショングラフニューラルネットワーク(MAGNA)は、マルチホップコンテキスト情報を注目計算のすべての層に組み込む方法である。 MAGNAは各層における大規模構造情報を捕捉し,低域効果によりグラフデータからノイズの多い高周波情報を除去することを示す。
  論文  参考訳（メタデータ） (2020-09-29T22:41:19Z)
• Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
  グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。 本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。 我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
  論文  参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。