論文の概要: Multi-Source Multi-View Graph Domain Adaptation with Hyperbolic Residual Encoding for Cross-Site MDD Identification from rs-fMRI

• arxiv url: http://arxiv.org/abs/2607.29531v1
• Date: Fri, 31 Jul 2026 15:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.781923
• Title: Multi-Source Multi-View Graph Domain Adaptation with Hyperbolic Residual Encoding for Cross-Site MDD Identification from rs-fMRI
• Title（参考訳）: ハイパーボリック残差符号化を用いたマルチソースマルチビューグラフ領域適応によるrs-fMRIのクロスサイトMDD同定
• Authors: Zhanpeng Zheng, Xiran Chen, Haiteng Jiang, Renjie Tian, Qinyu Cai, Jiexi Liu, Xiaofeng Chen, Weikai Li, Yansu Wang,
• Abstract要約: 静止状態磁気共鳴画像(rs-fMRI)からの大うつ病(MDD)のクロスサイト同定は、部位間分布シフトと不均一機能接続(FC)ビューによって妨げられる。 これらの見解は相補的な神経関係をとらえるが、異なる部位バイアスとグラフトポロジーを示す。 平均精度は73.60%,AUCは71.90%である。
• 参考スコア（独自算出の注目度）: 7.161131821089437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-site identification of major depressive disorder (MDD) from resting-state functional magnetic resonance imaging (rs-fMRI) is hindered by inter-site distribution shifts and heterogeneous functional connectivity (FC) views. These views capture complementary neural relationships but exhibit distinct site biases and graph topologies, complicating alignment without sacrificing disease-relevant information or cross-view consistency. Existing studies largely treat multi-view connectome learning and cross-site adaptation separately. To the best of our knowledge, few studies have jointly modeled multiple FC views under multi-source unsupervised domain adaptation for cross-site rs-fMRI-based MDD classification. We construct Pearson correlation, sparse representation, and Granger causality graphs, each encoded by a view-specific graph attention network. Dual-stream adaptive fusion explicitly integrates pairwise cross-view interactions, followed by lightweight hyperbolic residual encoding for curvature-aware representation refinement. Class-wise Cauchy--Schwarz alignment reduces inter-source and source-target discrepancies, complemented by adversarial learning, information maximization, and confidence-aware pseudo-labeling. Across seven unlabeled target domains, our framework achieves 73.60% mean accuracy and 71.90% AUC, demonstrating effective generalization under heterogeneous acquisition conditions. These results highlight the effectiveness of unified heterogeneous-view modeling, curvature-aware refinement, and multi-source domain adaptation for cross-site MDD identification.The source code is at https://github.com/OPUS-Lightphenexx/MM-HyperGDA
• Abstract（参考訳）: 静止状態磁気共鳴画像(rs-fMRI)からの大うつ病(MDD)のクロスサイト同定は、部位間分布シフトと不均一機能接続(FC)ビューによって妨げられる。 これらのビューは相補的な神経関係を捉えるが、異なる部位バイアスとグラフトポロジーを示し、病気に関連する情報を犠牲にしたり、横断的な一貫性を犠牲にすることなくアライメントを複雑にする。 既存の研究は主に多視点コネクトーム学習とクロスサイト適応を別々に扱う。 我々の知る限り、クロスサイトRS-fMRIに基づくMDD分類のためのマルチソース非教師付きドメイン適応の下で、複数のFCビューを共同でモデル化する研究はほとんどない。 我々はPearson相関、スパース表現、およびGranger因果グラフを構築し、それぞれがビュー固有のグラフアテンションネットワークによって符号化される。 デュアルストリーム適応核融合は、ペアワイズ・クロスビューの相互作用を明示的に統合し、次いで、曲率認識表現の洗練のための軽量な双曲的残差符号化を行う。 クラスワイドのコーシー=シュワルツアライメントは、逆学習、情報の最大化、信頼を意識した疑似ラベルによって補完される、ソース間およびソース・ターゲット間の不一致を減らす。 7つの未ラベルのターゲットドメインで73.60%の平均精度と71.90%のAUCを実現し、不均一な取得条件下での効果的な一般化を実証した。 これらの結果は、一元的ビューモデリング、曲率認識の洗練、多元的ドメイン適応のクロスサイトMDD識別の有効性を強調し、ソースコードはhttps://github.com/OPUS-Lightphenexx/MM-HyperGDAにある。

関連論文リスト

• Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection [52.36198268369384]
  自然発声はアルツハイマー病(AD)にとって重要な非侵襲的バイオマーカーである 本稿では,音声を自動音声認識(ASR)で書き起こし,セマンティック,依存性,共起グラフを構築するマルチビューGated Graph Attention Networkを提案する。
  論文  参考訳（メタデータ） (2026-06-30T06:15:59Z)
• Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
  Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。 既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。 We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。 ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-25T05:12:26Z)
• Multimodal Connectome Fusion via Cross-Attention for Autism Spectrum Disorder Classification Using Graph Learning [0.3823356975862005]
  自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、非典型的機能的脳結合と微妙な構造変化を特徴とする複雑な神経発達状態である。 本研究では,ASD分類のための構造画像と表現型情報を統合した多モードグラフ学習フレームワークを提案する。 提案フレームワークは, マルチサイトABIDE-Iデータセットからの異種マルチモーダルデータを効果的に統合し, 画像領域における自動ASD分類を改善する。
  論文  参考訳（メタデータ） (2026-03-16T12:02:39Z)
• A Multi-scale Fused Graph Neural Network with Inter-view Contrastive Learning for Spatial Transcriptomics Data Clustering [7.214595408714774]
  畳み込み後の空間的特徴と遺伝子的特徴を動的に統合するために,階層的に相互に注目するマルチスケールな相互融合グラフネットワークstMFGを提案する。 最先端の手法よりも優れており、特定のスライスで最大14%のARI改善を実現している。
  論文  参考訳（メタデータ） (2025-12-18T05:13:55Z)
• Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2025-11-27T07:33:31Z)
• 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)
• MM-GTUNets: Unified Multi-Modal Graph Deep Learning for Brain Disorders Prediction [9.75237128240713]
  脳障害予測のためのマルチモーダルグラフ深層学習フレームワークMM-GTUNetsを提案する。 本稿では,報酬システムを用いて集団グラフを適応的に構築するMRRL(Modality Reward Representation Learning)を提案する。 また,ACMGL(Adaptive Cross-Modal Graph Learning)を提案する。
  論文  参考訳（メタデータ） (2024-06-20T16:14:43Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。