グラフコンボリューションネットワークのグラフデータ増強 精神障害の予測に限られたノイイイラブル

科学分野:

• 生物医学情報学
• 機械学習
• 精神科の研究

背景:

• グラフニューラルネットワーク (GNN) は生物学的タスクに優れているが,精神疾患の予測では騒々しくて稀なデータで苦労している.
• 既存の方法は 精神疾患の予測におけるこれらのデータ上の課題に対して 効果的な解決策を欠いています

研究 の 目的:

• 精神疾患の予測におけるデータノイズと不足を克服するためのグラフデータ増強方法を提案する.
• 精神疾患の予測のためのGNNモデルの強度と精度を高める.

主な方法:

• グラフのトポロジーを洗練し,類似のノード間の接続を強化し,騒々しいエッジを除去するためにエッジ予測器を使用した.
• レーベルノイズに対するモデルの頑丈性を向上させるため,機能空間に敵対的な混乱を組み込みました.
• モデルの訓練を助けるための正確なシュードラベル付けのための信頼性の高い自己チェックメカニズムを実装しました.

主要な成果:

• 提案されたグラフデータの拡張方法は,2つのマルチモダルの実際の精神疾患データセットで優れたパフォーマンスを示しました.
• アブラション試験は,フレームワーク内の個々の成分の有効性を確認しました.
• このフレームワークは,騒々しくて稀なデータ条件下で,人口ベースの病気の予測に有効でスケーラブルであることが証明されました.

結論:

• 新しいグラフデータ増強アプローチは精神疾患の予測におけるデータノイズと不足を効果的に解決します.
• この方法はGNNモデルの性能と堅実性を向上させ,現実世界のアプリケーションにスケーラブルなソリューションを提供します.
• 公に公開されたコードは精神疾患の予測におけるさらなる研究と応用を容易にする.