抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
既存の予測フレームワークはユークリッド構造化データ(即ち,脳画像)を扱うことができるが,それらは脳ネットワークのような幾何学的非ユークリッドデータに一般化できないかもしれない。さらに,これらを,ベクトル化訓練と試験脳ネットワークの間のユークリッドまたは学習類似性測度を用いて,サンプル選択ステップを根付した。そのようなサンプル接続性表現は,訓練サンプル選択段階を誤って誘導できる,無関係で冗長な特徴を含むかもしれない。疑いなく,これは脳接続のトポロジーを活用し,保存するのに失敗した。この大きな欠点を克服するために,単一時点から脳ネットワーク進化軌跡を予測するための残差埋込み類似性ベースネットワーク選択(RESNet)を提案した。RESNetは,まず,各訓練と試験サンプルのコンパクトな幾何学的埋込みを,敵対的接続網埋込みネットワークを用いて学習する。これは,グラフ畳み込みネットワークを介してそれらのトポロジー特性を維持しながら,脳ネットワークの高次元性を大幅に削減する。次に,被験者間の類似性を計算するために,固定ネットワーク参照である接続脳テンプレート(CBT)の概念を導入し,ここでは,埋込み空間における参照CBTからの偏差として各訓練と試験ネットワークをさらに表現した。そのようなように,事前定義CBTに関して学習された残留埋込みを比較することにより,ベースラインの試験被験者に対して最も類似した訓練被験者を選択する。最良の訓練サンプルをベースラインで選択すると,試験ネットワークの進化軌跡を予測するために,追跡時点で対応する脳ネットワークを単純に平均する。健康および不規則脳ネットワークの両方に関する著者らの実験は,RESNetsアブレーションバージョンおよび伝統的アプローチと比較して,著者らの提案した方法の成功を示した。【JST・京大機械翻訳】