Edge-aware Hard Clustering Graph Pooling for Brain Imaging

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キャプチャできます。
GCN の重要な要素であるグラフ プーリング オペレーターは、表現学習能力を強化し、異常な脳マップの取得を促進します。
ただし、既存の研究のほとんどは、元のエッジ機能を無視してノードの観点のみからグラフ 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。
主要なエッジ特徴に合わせて調整されたグラフ クラスタリング プーリング オペレータを設計するために、エッジ認識ハード クラスタリング グラフ プール (EHCPool) を提案し、グラフ クラスタリング プロセスを再定義しました。
具体的には、エッジとノードの両方の特徴の重要性を評価するために、「エッジからノードまで」基準が提案されました。
エッジ スコアに基づいて、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することを目的とした、革新的な反復 n トップ戦略を設計しました。
続いて、新しい N-E 集約戦略が導入され、独立した各サブグラフ内のノードとエッジの情報が集約されます。
マルチサイトの公開データセットに対する広範な実験により、提案されたモデルの優位性と堅牢性が実証されました。
さらに注目すべきことに、EHCPool には、データ駆動型の観点からさまざまなタイプの機能不全の脳ネットワークを調査できる可能性があります。
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. The graph pooling operator, a crucial element of GCNs, enhances the representation learning capability and facilitates the acquisition of abnormal brain maps. However, most existing research designs graph pooling operators solely 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. To design a graph clustering pooling operator that is tailored to dominant edge features, we proposed the edge-aware hard clustering graph pool (EHCPool) and redefined the graph clustering process. Specifically, the ‘Edge-to-node’ criterion was proposed to evaluate the significance of both edge and node features. Guided by edge scores, we designed a revolutionary Iteration n-top strategy, aimed at adaptively learning sparse hard clustering assignments for graphs. Subsequently, a novel N-E Aggregation strategy is introduced to aggregate node and edge information in each independent subgraph. Extensive experiments on the multi-site public datasets demonstrate the superiority and robustness of the proposed model. More notably, EHCPool has the potential to probe different types of dysfunctional brain networks from a 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