論文の概要: Learning Multi-Scale Hypergraph for High-Order Brain Connectivity Analysis

• arxiv url: http://arxiv.org/abs/2606.03310v1
• Date: Tue, 02 Jun 2026 08:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.863852
• Title: Learning Multi-Scale Hypergraph for High-Order Brain Connectivity Analysis
• Title（参考訳）: 高次脳結合解析のためのマルチスケールハイパーグラフの学習
• Authors: Jaeyoon Sim, Soojin Hwang, Seunghun Baek, Guorong Wu, Won Hwa Kim,
• Abstract要約: 適応型マルチスケールハイパーエッジ学習フレームワーク MuHL を導入し,階層型ノード機能を構築し,高次対話を動的に学習する。 複数の脳ネットワークベンチマークの実験により、MuHLはさまざまな段階にわたる疾患分類性能を一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 14.516368592883195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding complex interactions between brain regions is critical for early neurodegenerative disease classification such as Alzheimer's Disease (AD) and Parkinson's Disease (PD). While graph-based models are widely used to analyze brain networks, most existing approaches primarily focus on pairwise interactions between directly connected nodes, limiting their ability to capture higher-order dependencies across multiple regions. Although hypergraph-based methods have been proposed to model higher-order relations, many rely on predefined hyperedges or restrict learning to hyperedge weights, reducing flexibility and limiting their capacity to capture multi-resolution structural patterns. In this regard, we introduce an adaptive multi-scale hyperedge learning framework, i.e., MuHL, which constructs hierarchical node features and dynamically learns high-order interactions through continuous hyperedge construction over multi-resolution graph signals. Extensive experiments on multiple brain network benchmarks demonstrate that MuHL consistently improves disease classification performance across different stages, and further identifies key regions of interest (ROIs) and their group-wise interactions from the learned hyperedges that are associated with disease progression, highlighting its potential as a powerful tool for brain network analysis in neurodegenerative disorders.
• Abstract（参考訳）: 脳領域間の複雑な相互作用を理解することは、アルツハイマー病(AD)やパーキンソン病(PD)のような初期の神経変性疾患の分類において重要である。 グラフベースのモデルは脳ネットワークの分析に広く利用されているが、既存のアプローチのほとんどは、直接接続されたノード間のペアワイズな相互作用に重点を置いており、複数の領域にわたる高次の依存関係をキャプチャする能力を制限する。 高階関係をモデル化するためのハイパーグラフベースの手法が提案されているが、多くは事前定義されたハイパーエッジに依存し、学習をハイパーエッジウェイトに制限し、柔軟性を低減し、多解像度構造パターンを捉える能力を制限する。 本研究では,階層的なノード特徴を構築し,マルチレゾリューショングラフ信号上での連続的ハイパーエッジ構築を通じて高次相互作用を動的に学習する,適応型マルチスケールハイパーエッジ学習フレームワークである MuHL を導入する。 複数の脳ネットワークベンチマークの広範囲にわたる実験により、MuHLは様々な段階にわたる疾患分類性能を一貫して改善し、さらに、学習されたハイパーエッジからの関心領域(ROI)とそのグループ間相互作用を同定し、神経変性疾患における脳ネットワーク分析の強力なツールとしての可能性を強調している。

関連論文リスト

• Multi-Modal Graph Neural Network with Transformer-Guided Adaptive Diffusion for Preclinical Alzheimer Classification [17.66283328694355]
  下流変換器を用いて各ノードにおける拡散過程を導出する統合フレームワークを提案する。 本モデルはアルツハイマー病の前臨床段階と密接に関連している主要なROIを十分に同定する。
  論文  参考訳（メタデータ） (2026-06-02T08:32:29Z)
• Modeling Higher-Order Brain Interactions via a Multi-View Information Bottleneck Framework for fMRI-based Psychiatric Diagnosis [37.574253923395105]
  O$-information は HOI の情報の性質を特徴づける符号付き測度である。 我々は、fMRIに基づく精神診断のための統合多視点情報ボトルネックフレームワークに、第3次および第4次$O$情報を統合する。 私たちのトリビューアーキテクチャは、対、三進、四進の脳の相互作用を系統的に融合させ、包括的な脳の接続を捉える。
  論文  参考訳（メタデータ） (2026-04-20T01:50:20Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• 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)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Multi-modal Dynamic Graph Network: Coupling Structural and Functional Connectome for Disease Diagnosis and Classification [8.67028273829113]
  構造的および機能的脳ネットワーク学習のためのマルチモーダル動的グラフ畳み込みネットワーク(MDGCN)を提案する。 本手法は,モーダル間表現のモデル化と動的グラフへの注意的多モデル関連付けの利点を生かした。
  論文  参考訳（メタデータ） (2022-10-25T02:41:32Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• A Prior Guided Adversarial Representation Learning and Hypergraph Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease [29.30199956567813]
  アルツハイマー病は、脳の構造的および機能的接続の変化によって特徴づけられる。 PGARL-HPNは、三重モードの医療画像を用いて異常な脳の接続を予測する。
  論文  参考訳（メタデータ） (2021-10-12T03:10:37Z)
• Multi-View Brain HyperConnectome AutoEncoder For Brain State Classification [0.0]
  本稿では,近傍のアルゴリズムに基づいて,各脳の視線に対するハイパーコネクトームを構築するための新しい手法を提案する。 また,マルチビュー・ハイパーコネクトーム上で直接動作するハイパーコネクトーム・オートエンコーダ・フレームワークを設計する。 実験の結果,HCAEによる脳内埋め込みが脳状態の分類に有効であることが判明した。
  論文  参考訳（メタデータ） (2020-09-24T08:51:44Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。