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、元のエッジの特徴を無視して、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ます。
これにより、グラフ プーリング アプリケーション シナリオが制限され、重要な下部構造をキャプチャする機能が低下します。
この論文では、主要なエッジ特徴に合わせて調整され、クラスタリング プロセスを再定義する、新しいエッジ認識ハード クラスタリング グラフ プール (EHCPool) を提案します。
EHCPool は当初、エッジ情報を利用してノードの重要性を評価する「エッジ対ノード」スコア基準を導入しました。
その後、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革新的な反復 n-top 戦略が開発されました。
さらに、N-E 集約戦略は、独立した各サブグラフ内のノードとエッジのフィーチャを集約するように設計されています。
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。
メソッドコード: https://github.com/swfen/EHCPool

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. This confines graph pooling application scenarios and diminishes its ability to capture critical substructures. In this paper, we propose a novel edge-aware hard clustering graph pool (EHCPool), which is tailored to dominant edge features and redefines the clustering process. EHCPool initially introduced the ‘Edge-to-Node’ score criterion which utilized edge information to evaluate the significance of nodes. An innovative Iteration n-top strategy was then developed, guided by edge scores, to adaptively learn sparse hard clustering assignments for graphs. Additionally, a N-E Aggregation strategy is designed to aggregate node and edge features 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. Method code: https://github.com/swfen/EHCPool

arxiv情報

提供元, 利用サービス

arxiv.jp, Google