arXiv:2508.07106v2 cs.LG

BrainATCL: 기능적 링크 예측 및 연령 추정을 위한 적응형 시계열 뇌 연결성 학습

BrainATCL: Adaptive Temporal Brain Connectivity Learning for Functional Link Prediction and Age Estimation

Yiran Huang, Amirhossein Nouranizadeh, Christine Ahrends, Mengjia Xu

제출 2025-08-09

저자 비고

arXiv Comments

Camera-ready version. Published at MIDL 2026. Final version: https://proceedings.mlr.press/v315/huang26b.html

한국어 초록

기능적 자기공명영상(fMRI)은 인간의 뇌 활동을 연구하는 데 널리 사용되는 영상 기법입니다. 뇌 전반에 걸친 여러 영역의 fMRI 신호는 개인이 휴식 상태에 있을 때조차도 고도로 구조화된 방식으로 활동을 일시적으로 동기화 및 비동기화합니다. 이러한 기능적 연결성 동역학(functional connectivity dynamics)은 행동 및 신경정신 질환과 관련이 있을 수 있습니다. 이러한 동역학을 모델링하려면 시계열 뇌 연결성 표현이 필수적인데, 이는 뇌 영역 간에 진화하는 상호작용을 반영하고 일시적인 신경 상태 및 네트워크 재구성에 대한 통찰을 제공하기 때문입니다. 그러나 기존의 그래프 신경망(GNN)은 동적 fMRI 데이터에서 장기 시계열 의존성(long-range temporal dependencies)을 포착하는 데 어려움을 겪는 경우가 많습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 기능적 링크 예측(functional link prediction) 및 연령 추정을 가능하게 하는 적응형 시계열 뇌 연결성 학습을 위한 비지도·비모수적 프레임워크인 BrainATCL을 제안합니다. 제안하는 방법은 새로 추가되는 엣지(edge)의 비율을 기반으로 각 스냅샷의 룩백 윈도우(lookback window)를 동적으로 조정합니다. 이후 그래프 시퀀스는 GINE-Mamba2 백본을 사용해 인코딩되어 Human Connectome Project의 1,000명 참가자로부터 얻은 휴지기 fMRI 데이터에서 동적 기능적 연결성의 시공간 표현을 학습합니다. 공간 모델링을 더욱 개선하기 위해, 뇌 영역의 좌/우 반구 정체성 및 하위 네트워크 소속과 같은 뇌 구조 및 기능 기반의 엣지 속성을 통합하여 모델이 생물학적으로 의미 있는 위상학적 패턴을 포착할 수 있도록 합니다. 우리는 기능적 링크 예측과 연령 추정이라는 두 가지 태스크에서 BrainATCL을 평가합니다. 실험 결과는 세션 간(cross-session) 예측 시나리오를 포함하여 우수한 성능과 강력한 일반화 능력을 입증합니다.

원문 초록

Functional Magnetic Resonance Imaging (fMRI) is an imaging technique widely used to study human brain activity. fMRI signals in areas across the brain transiently synchronise and desynchronise their activity in a highly structured manner, even when an individual is at rest. These functional connectivity dynamics may be related to behaviour and neuropsychiatric disease. To model these dynamics, temporal brain connectivity representations are essential, as they reflect evolving interactions between brain regions and provide insight into transient neural states and network reconfigurations. However, conventional graph neural networks (GNNs) often struggle to capture long-range temporal dependencies in dynamic fMRI data. To address this challenge, we propose BrainATCL, an unsupervised, nonparametric framework for adaptive temporal brain connectivity learning, enabling functional link prediction and age estimation. Our method dynamically adjusts the lookback window for each snapshot based on the rate of newly added edges. Graph sequences are subsequently encoded using a GINE-Mamba2 backbone to learn spatial-temporal representations of dynamic functional connectivity in resting-state fMRI data of 1,000 participants from the Human Connectome Project. To further improve spatial modeling, we incorporate brain structure and function-informed edge attributes, i.e., the left/right hemispheric identity and subnetwork membership of brain regions, enabling the model to capture biologically meaningful topological patterns. We evaluate our BrainATCL on two tasks: functional link prediction and age estimation. The experimental results demonstrate superior performance and strong generalization, including in cross-session prediction scenarios.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2508.07106v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.08659v2cs.LG공통 태그 Link Prediction, Graph Neural Network, Graph Learning

EdgeRefine: Privacy-Utility Balance for Graphs via Jaccard Sampling under Edge Differential Privacy

그래프 신경망(GNN)은 그래프 구조 데이터로부터의 학습에서 상당한 성과를 거두었으나, 그래프 구조가 민감한 링크 정보를 누출할 수 있기 때문에 프라이버시에 민감한 영역에서의 활용은 여전히 어렵다. 엣지 수준의 차분 프라이버시를 만족시키기 위한 일반적인 접근법은 그래프의 인접 행렬 모든 원소에 노이즈를 주입하여 개별 엣지의 존재를 불분명하게 하는 것이다. 그러나 강력한 프라이버시를 위해서는 더 많은 노이즈가 필요하고, 과도한 노이즈는 유용성을 저하시키므로 프라이버시-유용성 균형은 실용적인 프라이버시 보존 그래프 학습의 주요 장벽이다. 이 문제를 해결하기 위해 우리는 적응형 엣지 정제를 통해 이러한 절충을 개선하는 로컬 차분 프라이버시 프레임워크인 EdgeRefine을 제안한다. EdgeRefine은 먼저 Jaccard 유사도를 사용하여 엣지 존재 확률을 추정하고, 노이즈가 있는 엣지 제거를 위해 엣지의 순위를 매긴다. 최종 그래프의 희소성과 신뢰성을 보장하기 위해, 프라이버시 예산 $\varepsilon$을 사용하여 실제 엣지와 허위 엣지의 비율을 결정하고, 이 확률 순위에 따라 별도로 샘플링하며, 별도의 샘플링 비율 $k$로 총 엣지 수를 제어한다. 광범위한 실험을 통해 EdgeRefine이 노이즈가 없는 기준선에 필적하는 정확도를 달성하고, 다양한 데이터셋과 GNN 아키텍처에서 다른 프라이버시 보존 방법들을 크게 능가함을 보인다. 프라이버시 예산 $\varepsilon=2.5$ 하에서, EdgeRefine은 GAT 기반 ACM 데이터셋에서 노드 분류 정확도를 최신 기준선 대비 17.8%, GCN 기반 Cora 데이터셋에서 19.7% 향상시킨다. 그래프 분류에서는 노이즈가 없는 기준선 대비 평균 약 5%의 정확도 저하를 달성한다. 그래프 재구성 공격 하에서 EdgeRefine은 모든 프라이버시 예산에서 상대 절대 오차 수준을 1 이상으로 유지하며, Cora에서 평균 1.962, AMAP에서 1.472를 기록하여 프라이버시 누출에 대한 강한 복원력을 나타낸다.

arXiv:2607.22781v1cs.LG공통 태그 Link Prediction, Graph Neural Network, Graph Learning

소프트맥스가 버리는 것: 증거 누적을 위한 질량 인식 어텐션

What Softmax Throws Away: Mass-Aware Attention for Evidence Accumulation

높은 태스크 성능은 모델이 내부 표현에서 예측과 관련된 구조적 정보를 유지하는지 여부를 보여주지 않는다. 예를 들어, 시간 그래프 모델은 높은 future-link AUC를 달성할 수 있지만, 동일한 표현에서 기본 그래프 통계를 복원하는 것은 여전히 어렵다. 우리는 이러한 격차의 한 원인을 표준 어텐션에서 사용하는 가중 평균에서 찾는다. 증거 패턴이 반복되면 분자와 분모가 같은 속도로 증가하므로, 누적된 증거의 양이 다른 입력들이 동일한 집계값을 만들 수 있다. 우리는 표준 L1 정규화를 Lp 계열로 일반화하는 Mass-Aware Attention(MAA)을 제안한다. 반복 상황에서 MAA는 분자와 분모가 서로 다른 속도로 스케일되게 하여, 표현 크기에 기여하는 입력의 유효 개수를 표현 크기에 유지한다. MAA는 추가적인 지도, 파라미터, 은닉 차원, 또는 명시적 개수 특징을 추가하지 않으며, p=1에서 표준 어텐션을 복원한다. 4개의 연속 시간 동적 그래프 모델과 3개의 데이터셋에 걸쳐, MAA는 12개의 모델-데이터셋 셀 중 11개에서 future-link AUC를 개선한다. 동일한 은닉 표현에서의 선형 복원은 평균 4.49% 증가하며, family-wise correction 후 preferential-attachment 복원은 12개 셀 모두에서 개선된다. 또한 marked temporal point process(MTPP), temporal knowledge graph(TKG), 검색-증강 생성(RAG), 시공간 point process(STPP)에서도 일관된 증거를 관찰한다. 정보 접근성과 태스크 유용성은 여전히 구별된다. MTPP에서 NLL은 개선되지만, TKG에서는 랭킹이 대체로 유지되고, RAG의 추가 정보는 진단 헤드를 개선하지 않으며, STPP에서는 하류 LayerNorm이 신호를 지울 수 있다. 이 결과들은 MAA를 표준 어텐션에서 반복 불변성(repetition invariance)을 제어함으로써 예측기 대면 표현의 정보성을 개선하는 일반적인 정규화 원리로 자리매김한다.

arXiv:2607.12067v1cs.LG공통 태그 Link Prediction, Graph Neural Network, Graph Learning

동적 그래프의 노드 친화도를 이용한 기관 주식 보유 예측

Institutional Equity Holdings Prediction Using Node Affinities of Dynamic Graphs

SEC Form 13F 제출 자료에 공개된 기관 주식 보유는 대형 투자 운용사의 포트폴리오 결정에 대한 풍부한 시계열 기록을 제공한다. 그러나 공시 지연, 보고 노이즈, 기관 행동의 강한 지속성(persistence) 때문에 미래 배분을 예측하고 미래 수요를 모델링하는 것은 여전히 어렵다. 우리는 시간적 그래프 머신러닝을 사용하여 이러한 작업을 위한 최초의 벤치마크를 도입하며, 전처리된 제출 자료에서 추출한 운용사와 증권의 이산 시간(temporal) 이분 그래프(bipartite graph)에서 보유 예측을 노드 친화도(node affinity) 예측, 즉 포트폴리오 비중 예측으로 정식화한다. 99명의 운용사와 S&P 500 지수(2013--2025년 48분기에 걸친 503개 증권, 209,351개의 시간적 엣지)로 구성된 샘플링된 데이터셋에서, Virtual State를 사용하는 Node Affinity 예측 모델(NAVIS)은 특징(features) 포함 시 최첨단 테스트 Normalized Discounted Cumulative Gain(NDCG) 0.9127(미포함 시 0.9121)을 달성하여, 모든 동적 그래프 표현 학습 경쟁 모델을 상당한 마진으로, 모든 휴리스틱 방법을 능가한다. 주목할 만하게, 단순한 지수 이동 평균(Exponential Moving Average) 기준선이 0.8882를 달성하여 NAVIS를 제외한 모든 동적 그래프 모델과 Persistent Forecast(0.8891)를 제외한 모든 휴리스틱을 능가하며, 이는 기관 포트폴리오의 강한 평활성(smoothness)과 지속성을 부각한다. 도메인 특화 노드 특징은 극히 미미한 향상(<1.2%)만 제공하며, 이는 13F 소유권 그래프의 시간적 및 구조적 신호가 이미 예측 가능한 정보의 대부분을 포착하고 있음을 시사한다. 실제 13F 데이터에 대해 특징 유무 모두에서 노드 친화도 예측 설정 하에 Temporal Graph Benchmark(TGB) 모델 무리를 벤치마킹함으로써, 본 연구는 보유 예측 및 포트폴리오 배분에서 시간적 그래프 머신러닝을 위한 재현 가능한 기반을 제공한다.

arXiv:2607.09666v1cs.LG공통 태그 Link Prediction, Graph Neural Network, Graph Learning

지식 그래프와 그래프 신경망의 만남: 종합 서베이

Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey

그래프 신경망(GNN)은 그래프 구조 데이터를 모델링하는 고유한 능력으로 인해 지식 그래프(KG) 분야에서 강력한 패러다임으로 부상하였다. 그러나 지식 그래프 기술 파이프라인 전반에 걸친 GNN 기반 방법론에 대한 체계적인 리뷰는 아직 부족한 실정이다. 이러한 공백을 해소하기 위해, 본 논문에서는 GNN 기반 지식 그래프 기술에 대한 새로운 2단계 분류 체계를 제안한다: KG 기술 파이프라인 관점과 GNN 기반 관점이 그것이다. 구체적으로, 지식 그래프 기술 파이프라인은 지식 그래프 구축, 지식 그래프 임베딩, 지식 추론, 지식 그래프 응용을 포함한다. 한편, GNN 기반 관점은 GCN, GAT, HGNN 등의 GNN 모델을 활용하여 지식 그래프 기술을 새롭게 범주화한다. 이어서 지식 그래프 생애주기 내 다양한 태스크의 특성에 기반하여 GNN 기술의 이점을 분석한다. 나아가 제안된 분류 체계에 따라 지식 그래프를 위한 다양한 GNN 기반 모델을 상세히 검토하고, 각각의 강점과 한계를 정리한다. 마지막으로, 아직 해결되지 않은 과제들을 논의하고 향후 연구를 위한 유망한 방향을 제시한다.

arXiv:2609.25722v3cs.LG공통 태그 Graph Neural Network, Graph Learning

부호 그래프 사전학습 및 프롬프트 학습

Signed Graph Pre-Training and Prompt Learning

부호 그래프(signed graph)는 엣지가 양수이거나 음수일 수 있으며 방향성을 가질 수도 있는 신뢰-불신 네트워크, 금융 상관관계 시스템, 생물학적 상호작용 그래프 및 기타 여러 도메인에서 발생합니다. 부호 그래프 신경망이 특정 태스크에 특화된 학습(training)을 향상시켰지만, 부호 그래프에서의 그래프 전이학습(transfer learning)은 여전히 미진한 상태입니다. 본 논문에서는 부호 그래프를 위한 선구적인 위상학 기반 그래프 사전학습(pre-training) 및 프롬프트(prompt) 학습 프레임워크인 TopoSIGN을 소개합니다. TopoSIGN은 자기 부호 라플라시안(magnetic signed Laplacian)을 기반으로 구축된 구조적 인코더와 Dowker 복합체 지속성 이미지(Dowker-complex persistence images)를 통해 부호 위상을 요약하는 새로운 지속성 호몰로지(persistent-homology) 브랜치를 결합합니다. 융합된 임베딩(embedding)은 이후 프롬프트 학습 함수로 전달됩니다. 합성 및 실제 데이터셋(dataset)에 대한 실험 결과는 부호 그래프에서 유용한 구조적 정보를 추출하는 TopoSIGN의 효능뿐만 아니라, 제안된 일반 프레임워크의 적응성과 유연성을 입증합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.