論文の概要: Navigating Hierarchy: Hyperbolic Learning on Brain Graphs for Disorder Diagnosis
- arxiv url: http://arxiv.org/abs/2607.07077v1
- Date: Wed, 08 Jul 2026 07:08:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.311197
- Title: Navigating Hierarchy: Hyperbolic Learning on Brain Graphs for Disorder Diagnosis
- Title（参考訳）: 階層をナビゲートする: 障害診断のための脳グラフにおける双曲学習
- Abstract要約: 本稿では,脳ネットワーク解析のための新しいフレームワークであるハイパーボリックラーニング・オン・ブレイングラフ(HLBG)を提案する。
HLBGは階層構造をモデル化する際の深い双曲学習にインスパイアされている。
ABIDE-IとREST-MDDの実験は、HLBGが最先端の手法より優れていることを示した。
- 参考スコア（独自算出の注目度）: 20.1960673028354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional brain networks exhibit a hierarchical organization across ROI, community, and whole-brain levels, supporting local processing, inter-community coordination, and global integration. Recent studies have demonstrated that brain community-aware modeling is beneficial for both diagnosis and biomarker identification of brain networks. However, existing brain graph modeling methods often struggle to model ROI-community interactions, thereby failing to fully exploit the hierarchy across ROI, community, and whole-brain network levels. To address this issue, inspired by deep hyperbolic learning in modeling hierarchical structures, we propose a novel framework, termed Hyperbolic Learning on Brain Graphs (HLBG), for brain network analysis. The core idea of HLBG is to exploit the inherent hierarchical geometry of hyperbolic space to model the hierarchical relationships among ROIs, functional communities, and the whole-brain network, thereby learning hierarchy-aware and highly discriminative representations for brain network data. Specifically, HLBG first projects representations from ROIs, communities, and the whole-brain network into Lorentzian hyperbolic space. Then, the multi-level hierarchy is imposed via two geometric entailment constraints. In addition, we introduce a new Graph-aware Mamba (GaMamba) model, which incorporates topology-derived structural prompts into Mamba to capture long-range dependencies while preserving graph topological information. Experiments on ABIDE-I and REST-MDD demonstrate that HLBG outperforms state-of-the-art methods and identifies disorder-relevant functional biomarkers.
- Abstract（参考訳）: 機能的脳ネットワークは、ROI、コミュニティ、全脳レベルにわたる階層的な組織を示し、局所的な処理、コミュニティ間の調整、グローバルな統合をサポートする。
近年の研究では、脳ネットワークの診断とバイオマーカー同定に脳のコミュニティ認識モデリングが有用であることが示されている。
しかし、既存の脳グラフモデリング手法は、ROI-コミュニティ相互作用をモデル化するのに苦労することが多く、ROI、コミュニティ、および全脳ネットワークレベルにわたる階層を完全に活用することができない。
階層構造をモデル化する際の深い双曲的学習に触発されたこの問題に対処するため,脳ネットワーク解析のための新しいフレームワークであるハイパーボリックラーニング・オン・ブレイングラフ(HLBG)を提案する。
HLBGの中核となる考え方は、双曲空間の固有の階層的幾何学を利用して、ROI、機能的コミュニティ、および脳全体のネットワーク間の階層的関係をモデル化し、脳ネットワークデータの階層的認識と高い識別的表現を学習することである。
具体的には、HLBGは最初にROI、コミュニティ、および全脳ネットワークからローレンツ双曲空間への表現を計画する。
次に、マルチレベル階層は2つの幾何学的エンテーメント制約によって課される。
さらに,グラフトポロジ情報を保存しながら,長距離依存を捉えるために,トポロジに基づく構造的プロンプトをMambaに組み込んだ新しいグラフ認識型Mamba(GaMamba)モデルを導入する。
ABIDE-IとREST-MDDの実験では、HLBGは最先端の手法より優れ、障害に関連する機能的バイオマーカーを識別する。
関連論文リスト
- Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis [12.899767824635433]
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。
論文 参考訳（メタデータ） (2025-09-18T13:55:02Z) - 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) - 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) - 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) - Deep Cross-Modality and Resolution Graph Integration for Universal Brain
Connectivity Mapping and Augmentation [0.0]
コネクショナル脳テンプレート(コネクショナル脳テンプレート、CBT)は、与えられた脳コネクトームの個体全体の共有形質をキャプチャする。
本稿では、与えられたコネクトロミック人口をよく中心のCBTにマッピングする、最初のマルチモーダルマルチレゾリューショングラフ統合フレームワークを提案する。
提案手法は, 復元品質, 拡張タスク, 中心性, トポロジカルな音質のベンチマークを著しく上回っている。
論文 参考訳（メタデータ） (2022-09-13T14:04:12Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - 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。