Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Structure Matters: Brain Graph Augmentation via Learnable Edge Masking for Data-efficient Psychiatric Diagnosis

Created by
  • Haebom

저자

Mujie Liu, Chenze Wang, Liping Chen, Nguyen Linh Dan Le, Niharika Tewari, Ting Dang, Jiangang Ma, Feng Xia

개요

제한된 양의 라벨링된 뇌 네트워크 데이터로 인해 정확하고 해석 가능한 정신과 진단을 얻는 것이 어렵습니다. 자기 지도 학습(SSL)은 유망한 해결책을 제공하지만, 기존 방법들은 뇌 그래프의 중요한 구조적 의미론을 방해할 수 있는 증강 전략에 의존하는 경우가 많습니다. 이를 해결하기 위해 본 연구는 구조적 의미론 보존을 통해 뇌 그래프 표현을 학습하는 2단계 프레임워크인 SAM-BG를 제안합니다. 사전 학습 단계에서, 엣지 마스커는 작은 라벨링된 하위 집합에서 훈련되어 주요 구조적 의미론을 포착합니다. SSL 단계에서, 추출된 구조적 사전 정보는 구조 인식 증강 프로세스를 안내하여 모델이 더 의미론적으로 의미 있고 강력한 표현을 학습할 수 있도록 합니다. 두 개의 실제 정신과 데이터셋에 대한 실험은 SAM-BG가 특히 소량의 라벨링된 데이터 설정에서 최첨단 방법들을 능가하며, 해석력을 높이는 임상적으로 관련된 연결 패턴을 발견함을 보여줍니다. 소스 코드는 https://github.com/mjliu99/SAM-BG 에서 이용 가능합니다.

시사점, 한계점

•
시사점:
◦
제한된 라벨링 데이터 환경에서 정신과 진단의 정확도 및 해석력 향상에 기여.
◦
구조적 의미론 보존을 고려한 새로운 자기 지도 학습 프레임워크 SAM-BG 제시.
◦
임상적으로 관련된 뇌 연결 패턴 발견을 통한 진단의 신뢰성 증가.
◦
최첨단 방법 대비 우수한 성능.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구 필요.
◦
다양한 정신 질환 및 뇌 네트워크 데이터셋에 대한 검증 필요.
◦
엣지 마스커 학습에 사용된 작은 라벨링된 데이터셋의 크기 및 품질에 대한 의존성 고려.
👍
Made with Slashpage