- ProductGraphSleepNet: стадирование сна с использованием пространственно-временного графического обучения продукта с внимательным временным агрегированием(arXiv)
Автор:Ареф Эйнизаде, Саманэ Насири, Сепидех Хаджипур Сардуи, Гари Клиффорд
Аннотация: Классификация стадий сна играет решающую роль в понимании и диагностике патофизиологии сна. Оценка стадии сна в значительной степени зависит от визуального осмотра экспертом, что требует много времени и является субъективной процедурой. В последнее время подходы нейронных сетей с глубоким обучением были использованы для разработки обобщенного автоматического определения стадии сна и учета сдвигов в распределениях, которые могут быть вызваны присущей межсубъектной/внутрисубъектной изменчивостью, неоднородностью наборов данных и различными средами записи. Однако эти сети игнорируют связи между областями мозга и игнорируют последовательные связи между смежными во времени эпохами сна. Для решения этих проблем в этой работе предлагается адаптивная сверточная сеть графов на основе графов продуктов, названная ProductGraphSleepNet, для изучения совместных пространственно-временных графов вместе с двунаправленным вентилируемым рекуррентным блоком и модифицированной сетью внимания графа для захвата внимательной динамики стадии сна. переходы. Оценка по двум общедоступным базам данных: Монреальскому архиву исследований сна (MASS) SS3; и SleepEDF, которые содержат полную ночную полисомнографическую запись 62 и 20 здоровых субъектов, соответственно, демонстрируют эффективность, сравнимую с состоянием техники (точность: 0,867; 0,838, показатель F1: 0,818; 0,774 и Каппа: 0,802; 0,775 для каждой базы данных соответственно). Что еще более важно, предлагаемая сеть позволяет клиницистам понимать и интерпретировать изученные графики связности для стадий сна.
2. На пути к обучению временным графам в реальном времени(arXiv)
Автор: Дениз Гуревин, Мохсин Шань, Тонг Гэн, Вэйвен Цзян, Кайвен Дин, Омер Хан
Аннотация: В последние годы значительную популярность приобрело изучение представлений графов, которое направлено на создание вложений узлов, отражающих особенности графов. Одним из методов достижения этого является использование метода, называемого случайным блужданием, который захватывает последовательности узлов в графе, а затем изучает вложения для каждого узла с использованием метода обработки естественного языка, называемого Word2Vec. Эти вложения затем используются для глубокого изучения данных графа для задач классификации, таких как предсказание ссылок или классификация узлов. Предыдущая работа работает с предварительно собранными данными временного графа и не предназначена для обработки обновлений графа в режиме реального времени. Графики реального мира изменяются динамически, и их все временные обновления недоступны заранее. В этой статье мы предлагаем сквозной конвейер обучения графов, который выполняет построение временных графов, создает низкоразмерные вложения узлов и обучает модели многослойных нейронных сетей в онлайн-настройках. Обучение моделей нейронных сетей определяется как основное узкое место в производительности, поскольку оно выполняет повторяющиеся матричные операции над многими последовательно связанными низкоразмерными ядрами. Мы предлагаем разблокировать мелкозернистый параллелизм в этих низкоразмерных ядрах, чтобы повысить производительность обучения модели.
