文献

J-GLOBAL ID：202002241937044899   整理番号：20A2273822

単一時間点からの時間依存脳グラフデータ合成のためのDeep EvoGraphNetアーキテクチャ【JST・京大機械翻訳】

Deep EvoGraphNet Architecture for Time-Dependent Brain Graph Data Synthesis from a Single Timepoint

著者 (4件)： Nebli Ahmed (BASIRA Lab, Faculty of Computer and Informatics, Istanbul Technical University, Istanbul, Turkey) ,  Nebli Ahmed (National School for Computer Science (ENSI), Mannouba, Tunisia) ,  Kaplan Ugur Ali (BASIRA Lab, Faculty of Computer and Informatics, Istanbul Technical University, Istanbul, Turkey) ,  Rekik Islem (BASIRA Lab, Faculty of Computer and Informatics, Istanbul Technical University, Istanbul, Turkey)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12329  ページ： 144-155  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 脳接続(即ち,グラフ)発生と加齢を予測する方法は,脳障害性進化の障害内および交差障害景観の将来を図化するために極めて重要である。実際,縦断(すなわち,時間依存)の脳障害性の予測は,単一時点から時間にわたって現れ,進化するので,非常に初期段階の障害患者に対する個別化治療の設計を助けることができる。その重要性にもかかわらず,脳グラフの進化モデルは,文献で主に見落とされている。ここでは,単一時間点から時間依存脳グラフ進化を予測するための,最初のエンドツーエンド幾何学的深層学習駆動グラフ生成敵対ネットワーク(gGAN)であるEvo Hubbard Netを提案する。著者等のEvo VoIPNetアーキテクチャは,各gGANが特定の時点でその予測脳グラフを通信し,追跡時点でカスケードで次のgGANを訓練する。従って,各発電機の出力を,その成功者の入力として設定することにより,各次の予測時間点を得て,エンドツーエンド方式で1つの単一時間点のみを用いて,与えられた時間点数を予測することができた。各時点で,予測脳グラフの分布を地上-トルースグラフのそれと比較するために,さらに補助Kullback-Leibler発散損失関数を統合した。2つの連続観測間の時間依存性を捉えるために,2つの連続化脳グラフ間のスパース距離を最小化するために,[数式:原文を参照]損失を課した。著者らのEvo Hubbard Netのバリアントとアブレートバージョンに対する一連のベンチマークは,単一ベースラインタイムポイントを用いて最も低い脳グラフ進化予測誤差を達成できることを示した。著者らのEvo Onet Netコードは,利用可能である。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 損失関数 ,  ネットワーク ,  透視図法 ,  時間依存性 ,  エンドツーエンド方式 ,  連続化 ,  ベンチマーク ,  *計算機アーキテクチャ ,  脳疾患 ,  予測誤差 ,  個別化医療
準シソーラス用語： 連続観測 ,  進化モデル ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 時間依存グラフ進化予測 ,  KL発散損失 ,  グラフ生成敵対ネットワーク ,  カスケード時間依存発電機

分類 (1件)： 神経の基礎医学  (GN01020W)

タイトルに関連する用語 (4件)： 時間依存 ,  脳 ,  グラフ ,  アーキテクチャ