Edge-aware Hard Clustering Graph Pooling for Brain Imaging Data

要約

グラフ畳み込みネットワーク (GCN) は、異なる脳領域間の非ユークリッド空間依存性を捉えることができ、GCN のグラフ プーリング オペレーターは、表現学習能力を強化し、異常な脳マップを取得するための鍵となります。
ただし、既存の研究の大部分は、元のエッジ機能を無視してノードの観点からのみグラフ プーリング オペレーターを設計しているため、グラフ プーリングのアプリケーション シナリオが制限されるだけでなく、重要な下部構造を捕捉する能力も低下します。
本研究では、Edge-aware Hard Clustering Graph Pooling (EHCPool) と呼ばれる、多次元エッジ特徴を初めてサポートするクラスタリング グラフ プーリング手法を開発します。
EHCPool は、ノード特徴の重要性を評価するために、エッジ特徴に基づく最初の「エッジからノードへ」スコア評価基準を提案します。
重要なサブグラフをより効果的に捕捉するために、新しい反復 n-top 戦略がさらに設計され、グラフのスパース ハード クラスタリング割り当てを適応的に学習します。
続いて、ノードとエッジのフィーチャ情報を独立した各サブグラフに集約するための革新的な N-E 集約戦略が提案されます。
提案されたモデルは、マルチサイト脳イメージング公開データセットで評価され、最先端のパフォーマンスが得られました。
私たちは、この手法が、データ駆動型の観点からさまざまな種類の異常な脳機能ネットワークを調査できる可能性を備えた最初の深層学習ツールであると考えています。
コアコードはhttps://github.com/swfen/EHCPoolにあります。

要約(オリジナル)

Graph Convolutional Networks (GCNs) can capture non-Euclidean spatial dependence between different brain regions, and the graph pooling operator in GCNs is key to enhancing the representation learning capability and acquiring abnormal brain maps. However, the majority of existing research designs graph pooling operators only from the perspective of nodes while disregarding the original edge features, in a way that not only confines graph pooling application scenarios, but also diminishes its ability to capture critical substructures. In this study, a clustering graph pooling method that first supports multidimensional edge features, called Edge-aware hard clustering graph pooling (EHCPool), is developed. EHCPool proposes the first ‘Edge-to-node’ score evaluation criterion based on edge features to assess node feature significance. To more effectively capture the critical subgraphs, a novel Iteration n-top strategy is further designed to adaptively learn sparse hard clustering assignments for graphs. Subsequently, an innovative N-E Aggregation strategy is presented to aggregate node and edge feature information in each independent subgraph. The proposed model was evaluated on multi-site brain imaging public datasets and yielded state-of-the-art performance. We believe this method is the first deep learning tool with the potential to probe different types of abnormal functional brain networks from data-driven perspective. Core code is at: https://github.com/swfen/EHCPool.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google