JP7491106B2 - 方法、プログラム、及びコンピュータ装置 - Google Patents

方法、プログラム、及びコンピュータ装置 Download PDF

Info

Publication number
JP7491106B2
JP7491106B2 JP2020120216A JP2020120216A JP7491106B2 JP 7491106 B2 JP7491106 B2 JP 7491106B2 JP 2020120216 A JP2020120216 A JP 2020120216A JP 2020120216 A JP2020120216 A JP 2020120216A JP 7491106 B2 JP7491106 B2 JP 7491106B2
Authority
JP
Japan
Prior art keywords
network
matrix
representation
background
subject
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020120216A
Other languages
English (en)
Other versions
JP2021117966A (ja
Inventor
孝紀 藤原
ジアン ジャオ
チェン フランシーン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
Fujifilm Business Innovation Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuji Xerox Co Ltd, Fujifilm Business Innovation Corp filed Critical Fuji Xerox Co Ltd
Publication of JP2021117966A publication Critical patent/JP2021117966A/ja
Application granted granted Critical
Publication of JP7491106B2 publication Critical patent/JP7491106B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Bioethics (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Crystallography & Structural Chemistry (AREA)

Description

本開示は、方法、プログラム、及びコンピュータ装置に関する。
関連技術のアプリケーションでは、リンク又はデータ接続によって対で一緒に結合されたデータノードの集合として定義されるデータネットワークを使用して、現実世界のアプリケーションで様々なタイプの関係がモデル化されてもよい。ネットワーク全体を分析することにより、関連技術は、個別には明らかではない可能性がある様々な重要な因子を明らかにすることができる場合がある。
関連技術で説明されているネットワーク比較にはいくつかのアプローチがある。例えば、２つの異なるネットワークが同じノードセットを有し、ノード間の対での対応がわかっている場合、いくつかの関連技術の技法により、２つのネットワーク間の類似度（例えば、２つの隣接行列間のユークリッド距離）が計算されてもよい。さらに、ノード対応が不明であるか、又はそのような対応が存在しない場合は、ネットワーク統計に基づくアプローチが関連技術で使用されてもよい（例えば、クラスタリング係数、ネットワーク直径、又はノード次数分布）。別の関連技術の技法は、グラフレット（graphlet）（例えば、３つのノードの完全なグラフ内の小さい、接続された、非同形のサブグラフパターン）を使用することを含む。この関連技術のアプローチでは、各ネットワーク内の各グラフレットの出現頻度を比較することにより、ネットワーク間の類似度を得ることができる。
しかしながら、これらの関連技術のアプローチは異なるネットワーク間の類似度を提供する場合もあるが、関連技術における各ネットワーク比較は１つの選択された尺度（例えば、ノード次数）だけに基づいている。その結果、関連技術の尺度は、他の尺度によるネットワークの十分な比較を提供しない。さらに、これらの関連技術のアプローチは、ネットワークレベルの類似度を提供するだけである場合があり、より詳細なレベル（例えば、ノードレベル）でネットワークを比較することができない。詳細なレベルの比較を行わないと、これらの関連技術の技法のユーザは、ネットワークのどの部分がネットワークの一意性に関連しているかを判断できないことがある。
KATO, G., et al., Threatening Event, National identity and Network Dynamics of Motivated Information Communication: Exploring Japanese Twitter during the Rise of Temitorial Disputes, April through October 2012, August 11, 2017, 113th American Political Science Association Annual Meeting, San Francisco, CA, 60 pgs. KOHLER, S., et al., The Human Phenotype Ontology Project: Linking Molecular Biology and Disease through Phenotype Data, Nucleic Acids Resaerch, 2014, 42, D966-D974. GLUECK, M., et al., PhenoBlocks: Phenotype Comparison Visualizations, IEEE Transactions on Visualization and Computer Graphics, 22(1), January 2016, pp. 101-110. TANTARDINI, M., et al., Comparing Method for Comparing Networks, Scientific Reports, 9, 2019, 20 pgs ABID, A., et al., Exploring Patterns Enriched in a Dataset with Contrastive Principal Component Analysis, Nature Communication, 9, 2018, 7 pgs. GROVER, A., et al., node2vec: Scalable Feature Learning for Networks, KDD'16, August 13-17, 2016, San Francisco, CA, pp.855-864. ZHANG, Z., et al., Deep Learning on Graphs: A Survey, December 11, 2018, arXiv:1812.04202, 15 pgs.,[online] URL:https://www/***.com/url? sa=t&rcl=j&p=&esrc=s&source=web&cd=2&cad=rja&uacl=8&ved=2ahUKEwjR17Lro9nAhXNPn0KHQT0DacQFjABegQIAxAB&url=https%3A%2F%2Farxiv.org%2Fabs%2F1812.04202&usg=AOvVaw0PcRznPPC3WpxC_Wz44-FA. HAMILTON, W. L., et al., Inductive Representation Learning on Large Graphs, 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, 11pgs. CHEN, J., et al., FastGCN: Fast Learning with Graph Convolutional Networks via importance Sampling, conference paper at ICLR, January 30, 2018, 15, pgs. ROSSI, R. A, et al., Deep Inductive Graph Representation Learning, IEEE Transactions Knowledge and Data Engineering, 14(8), February 2018, 14 pgs. ABID, A., et al., Contrastive Variational Autoencoder Enhances Salient Features, arXiv: 1902.04601, February 12, 2019, 17 pgs. FUJIWARA, T., et al., Supporting Analysis of Dimensionality Reduction Results with Contrastive Learning, IEEE Transaction on Visualization and Computer Graphics, 2019, 11 pgs. FUJIWARA, T., et al., A Visual Analytics System for Brain Functional Connectivity Comparison Across Individuals, Groups, and Time Points, 2017 IEEE Pacific Visualization Symposium (PacificVis), April 18-11, 2017, Seoul, Korea, pp250-259. van den ELZEN, S., et al., Reducing Snapshots to Points: A Visual Analytics Approach to Dynamic Network Exploration, IEEE Transactions on Visualization and Computer Graphics 22(1), January, 2016 10pgs. KWON, O-H., et al., What Would a Graph Look Like in This Layout? A Machine Learning Approach to Large Graph Visualization, IEEE Transaction on Visualization and Computer Graphics, 24(1) January 2018, pp 478-488. PRZULJ, N., et al., Modeling Interactome: Scale-Free or Geometric?, Bioinformatics, December 12, 2004, 20(18), pp. 3508 3515. CHU, X., et al., Cross-Network Embedding for Multi-Network Alignment, WWW'19, May 13-17, 2019, San Francisco, CA, 11 pgs.
本開示の技術は、対象ネットワークを他のネットワークと自動的に比較対照して分析し、対象ネットワークに固有のパターンを特定することができる、方法、プログラム、及びコンピュータ装置を提供することを目的とする。
本開示の態様は、機械学習を用いてデータの背景ネットワークと比較して対象ネットワークを分析する方法を含んでもよい。その方法は、対象ネットワークを表す隣接行列から第１の特徴行列を抽出するステップと、背景ネットワークを表す隣接行列から第２の特徴行列を抽出するステップと、対照学習アルゴリズムを用いて、第１の特徴行列及び第２の特徴行列に基づいて射影行列を生成するステップと、射影行列及び第１の特徴行列に基づいて、対象ネットワークの第１の対照表現行列を生成するステップと、射影行列及び第２の特徴行列に基づいて、背景ネットワークの第２の対照表現行列を生成するステップと、第１の対照表現行列及び第２の対照表現行列に基づいて、背景ネットワークと比較した対象ネットワークに固有の特徴の可視化を表示するステップと、を含んでもよい。
本開示の他の態様は、機械学習を用いてデータの背景ネットワークと比較して対象ネットワークを分析するためのプログラムを含んでもよい。このプログラムは、コンピュータに、対象ネットワークを表す隣接行列から第１の特徴行列を抽出するステップと、背景ネットワークを表す隣接行列から第２の特徴行列を抽出するステップと、対照学習アルゴリズムを用いて、第１の特徴行列及び第２の特徴行列に基づいて射影行列を生成するステップと、射影行列及び第１の特徴行列に基づいて、対象ネットワークの第１の対照表現行列を生成するステップと、射影行列及び第２の特徴行列に基づいて、背景ネットワークの第２の対照表現行列を生成するステップと、第１の対照表現行列及び第２の対照表現行列に基づいて、背景ネットワークと比較した対象ネットワークに固有の特徴の可視化を表示するステップと、を実行させるためのプログラムとしてもよい。
本開示のさらに他の態様は、記憶装置及びプロセッサを含むコンピュータ装置を備えていてもよい。記憶装置は、対象ネットワーク及び背景ネットワークに関連するネットワークデータを記憶してもよい。プロセッサは、機械学習を用いてデータの背景ネットワークと比較して前記対象ネットワークを自動的に分析してもよい。プロセッサは、対象ネットワークを表す隣接行列から第１の特徴行列を抽出し、背景ネットワークを表す隣接行列から第２の特徴行列を抽出し、対照学習アルゴリズムを用いて第１の特徴行列及び第２の特徴行列に基づいて射影行列を生成し、射影行列及び第１の特徴行列に基づいて対象ネットワークの第１の対照表現行列を生成し、射影行列及び第２の特徴行列に基づいて背景ネットワークの第２の対照表現行列を生成し、第１の対照表現行列及び第２の対照表現行列に基づいて背景ネットワークと比較した対象ネットワークに固有の特徴の可視化を表示する、ように構成されてもよい。
本開示のさらに他の態様は、データの背景ネットワークに対して対象ネットワークを自動的に分析するためのコンピュータ装置を含んでもよい。このコンピュータ装置は、対象ネットワーク及び背景ネットワークに関連するネットワークデータを記憶するための記憶手段、対象ネットワークを表す隣接行列から第１の特徴行列を抽出するための手段、背景ネットワークを表す隣接行列から第２の特徴行列を抽出するための手段、対照学習アルゴリズムを用いて第１の特徴行列及び第２の特徴行列に基づいて射影行列を生成するための手段、射影行列及び第１の特徴行列に基づいて対象ネットワークの第１の対照表現行列を生成するための手段、射影行列及び第２の特徴行列に基づいて背景ネットワークの第２の対照表現行列を生成するための手段、及び、第１の対照表現行列及び第２の対照表現行列に基づいて背景ネットワークと比較した対象ネットワークに固有の特徴の可視化を表示するための手段、を含んでもよい。
上記の態様において、第１の特徴行列が、ネットワーク学習アルゴリズムを用いて対象ネットワークを表す隣接行列から抽出され、第２の特徴行列が、ネットワーク学習アルゴリズムを用いて前記背景ネットワークを表す隣接行列から抽出されるようにしてもよい。ネットワーク学習アルゴリズムは、ＤｅｅｐＧＬアルゴリズムとしてもよい。
上記の態様において、対象ネットワークが、特定の時刻に生成された患者に関連するニューロンネットワーク表現であり、背景ネットワークが、特定の時刻より前の先行時刻に生成された前記患者に関連するニューロンネットワーク表現であり、さらに、対象ネットワークの可視化された固有の特徴に基づいて、特定の時刻に生成された前記患者に関連するニューロンネットワーク表現の変化を特定してもよい。
上記の態様において、対象ネットワークが、特定の時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークであり、背景ネットワークが、特定の時刻の前の先行時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークであり、さらに、対象ネットワークの可視化された固有の特徴に基づいて、特定の時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークの変化を特定してもよい。
上記の態様において、対象ネットワークが、第１の生物種の表現型の特徴のネットワーク表現であり、背景ネットワークが、関連する第２の生物種の表現型の特徴のネットワーク表現であり、さらに、対象ネットワークの可視化された固有の特徴に基づいて、第１の生物種の示差的な表現型の特徴を特定してもよい。
上記の態様において、対象ネットワークが、第１の生物学的疾患と診断された患者に見られる症状間のリンクのネットワーク表現であり、背景ネットワークが、第２の生物学的疾患と診断された患者に見られる症状間のリンクのネットワーク表現であり、さらに、対象ネットワークの可視化された固有の特徴に基づいて、第１の生物学的疾患に固有の特徴的な症状を特定してもよい。
上記の態様において、対象ネットワークが、ネットワークモデル化アプリケーションによってモデル化されている現実世界ネットワークであり、背景ネットワークは、ネットワークモデル化アプリケーションによって生成された現実世界ネットワークを表すモデルネットワークであり、さらに、対象ネットワークの可視化された固有の特徴を含めるために、ネットワークモデル化アプリケーションを更新してもよい。
本出願の例示的な実装形態に係る対照ネットワーク分析プロセスの概略図である。 本出願の例示的な実装形態に係る一対のネットワークを対照的に分析するプロセスのフローチャートである。 本開示の例示的な実装形態で使用され得る異なるネットワーク表現学習方法の概略図である。 本開示の例示的な実装形態で使用され得る異なるネットワーク表現学習方法の概略図である。 本出願の例示的な実装形態に係る対照ネットワーク分析の可視化を提供し得るユーザインタフェースの図である。 図４のユーザインタフェースの対象ネットワーク及び背景ネットワークのレイアウトインタフェースの注釈付きバージョンを示す図である。 図４のユーザインタフェースの対照表現インタフェースの注釈付きバージョンを示す図である。 図４のユーザインタフェースの特徴寄与インタフェースの注釈付きバージョンを示す。 本出願の例示的な実装形態に係る特徴寄与インタフェースに示される「複雑な特徴の生成」のグラフィック表現を示す図である。 図４のユーザインタフェースの確率分布インタフェースの拡大バージョンのコピー示す図である。 図４のユーザインタフェースの特徴説明インタフェースの拡大されたコピーを示す図である。 本出願の例示的な実装形態に係る選択されたノードの特徴値を段階的に計算するプロセスの概略図を示す。 いくつかの例示的な実装形態において使用するのに適した例示的なコンピュータ装置を有する例示的なコンピューティング環境を示す図である。
以下の詳細な説明は、本出願の図面及び例示的な実装形態のさらなる詳細を提供する。図面間の重複する要素の参照符号及び説明は、明確化のために省略されている。明細書全体にわたって使用される用語は、例示として提供されており、限定を意図するものではない。例えば、「自動」という用語の使用は、本出願の実装形態を実施する当業者の所望の実装形態に応じて、完全自動の実装形態、又は実装形態の特定の態様に対するユーザ又はオペレータによる制御を含む半自動の実装形態を含んでいてもよい。さらに、「第１」、「第２」、「第３」などの逐次的な用語は、単にラベル付け目的で明細書及び請求項において使用されてもよく、記載された順番で起こる動作又はアイテムを参照するように限定されるべきではない。動作又はアイテムは、本出願の範囲から逸脱することなく、異なる順番に順序付けられてもよいし、並列又は動的に実行されてもよい。
本出願において、用語「コンピュータ可読媒体」は、ローカル記憶装置、クラウドベースの記憶装置、遠隔にあるサーバ、又は当業者には明らかであろうその他の記憶装置を含んでいてもよい。
上述のように、データネットワーク（例えば、リンクされた対で一緒に結合されたノードの集合）は、現実世界のアプリケーションにおける様々なタイプの関係をモデル化するために関連技術で頻繁に使用される。このタイプの分析は、社会学におけるソーシャルネットワーク、生物学における細胞のネットワーク、ソフトウェアエンジニアリングにおける通信ネットワークなど、様々な分野のネットワークに適用される。このタイプのネットワーク分析により、基本的な関係では明らかではないかもしれない様々な重要な因子を発見できる場合がある。例えば、ソーシャルメディアサイト（例えば、短いブログサイト、メッセージ発信サイト、画像共有サイトなど）から派生したソーシャルネットワークは、重要な世論を助長する影響力のある人々を特定するために使用され得る。
さらに、いくつかの分野では、異なるネットワークを分析してネットワーク間の違いが特定されることがあるし、別のネットワークと比較した場合に特定の一意性（uniqueness）の尺度がネットワークで検出されることがある。例えば、神経科学者は、アルツハイマー病の患者の脳ネットワークを健康な被験者の脳ネットワークと比較することにより、脳に対するアルツハイマー病の影響を研究する場合がある。
さらに、様々な分野の研究者のコラボレーションネットワークを調査することにより、ネットワーク分析者は、特定の分野で協力する独特の方法を明らかにすることを希望するかもしれない。別の例は、「患者の形態（例えば、心臓の肥大）、生理機能（例えば、発作）、又は行動（例えば、うつ病）の観察可能でかつ測定可能な特性」である人間の表現型（phenotype）の、オントロジーネットワークの分析に関連する場合がある。特定の疾患に関連するオントロジーサブネットワーク（例えば、診断された人で検出された生理学的変化、身体症状、又は行動症状）を比較することにより、研究者は、様々な表現型が１つの疾患に関連していると結論づけるなど、各疾患の特徴をよりよく理解することができる。したがって、何がネットワークを一意（unique）にするかを判断することは、ネットワークの理解を深めるのに役立つ。
上述のように、ネットワーク類似度の計算、ネットワーク統計ベースのアプローチ（例えば、クラスタリング係数、ネットワーク直径、又はノード次数分布）、及びグラフレット（例えば、グラフ（例えば、３つのノードの完全なグラフ）内の小さい、接続された、非同型のサブグラフパターン）を含む、関連技術における機械学習に基づくネットワーク比較のいくつかのアプローチが使用され得る。しかしながら、これらの関連技術のアプローチは、単一の選択された尺度（例えば、ノード次数）に基づいてネットワークを比較するだけである。その結果、選択された尺度では不十分な比較が生成される可能性がある。さらに、これらの関連技術のアプローチは、ネットワークレベルの類似度を提供するだけであり、より詳細なレベル（例えば、ノードレベル）でネットワークを比較することができない。詳細なレベルの比較を行わないと、ユーザはネットワークのどの部分がその一意性に関連しているかを判断できないことがある。
したがって、本開示の例示的な実装形態は、対照学習の概念を利用することによって、ノード対応が不明であってもよい２つの異なるネットワークを比較するために機械学習を使用する方法を含む。本開示の例示的な実装形態で説明されるように、対照学習は、高次元データの分析アプローチであり、別のデータセットと比較して、あるデータセットに豊富な（例えば、固有の（unique））パターンを発見することを目的とする。この概念をネットワーク分析に適用することにより、本開示の例示的な実装形態は、包括的（例えば、複数の尺度を使用してネットワーク特性を取得する）且つ詳細な（例えば、ノード又はサブグラフレベルを分析する）方法で、対象ネットワークを別のネットワークと対比することによって、１つのネットワークにおける固有のパターンを明らかにすることができる。つまり、２つのネットワークを比較することによって、ネットワークに固有の因子又は側面を特定することができる。
しかしながら、ネットワークは一般に隣接行列、ネットワークノードに対応する行及び列で表され、各セルはノード間の接続を表すため、対照学習はネットワーク分析に簡単には適用されないおそれがある。代わりに、ネットワーク表現学習を使用して各ネットワークから特徴行列を抽出し、対照学習を実行する必要がある。したがって、そのような対照分析を達成するために、本開示の例示的な実装形態は、ネットワーク表現学習と共に対照学習方法を利用してもよい。さらに、ネットワーク分析のための他の多くの機械学習方法（例えば、ｎｏｄｅ２ｖｅｃ及びグラフニューラルネットワーク）とは異なり、本出願の例示的な実装形態はまた、分析結果の解釈可能性を提供してもよい。解釈可能性及び対話的な可視化により、本開示の例示的な実装形態はまた、特定のパターンが１つのネットワークで見つかる可能性がある理由を理解するのに役立つ機能も提供する。
図１は、本出願の例示的な実装形態による対照ネットワーク分析の概略図１００である。図示されたプロセスにおいて、対象ネットワーク１０５は、背景ネットワーク１１０と対比されている。具体的には、このプロセスは、対象ネットワーク１０５と背景ネットワーク１１０からそれぞれ対照表現１４０、１４５を生成する。これらの対照表現により、背景ネットワーク１１０と比較した場合の、対象ネットワーク１０５に固有のパターンが明らかにされ得る。いくつかの例示的な実装形態では、対照表現１４０、１４５は、以下のステップを介して取得され得る。
最初に、各ネットワーク（対象ネットワーク１０５及び背景ネットワーク１１０）は、隣接行列又は隣接リスト（対象ネットワーク１０５に対応する隣接行列１１５及び背景ネットワーク１１０に対応する隣接行列１２０）として表される。各隣接行列１１５、１２０は、対象ネットワーク１０５及び背景ネットワーク１１０内のノードの数をそれぞれ表す値｜ＶＴ｜及び｜ＶＢ｜を有するリンクされたノード対の情報を含む。しかしながら、隣接行列又は隣接リスト１１５、１２０の各々は、それ自体が対照学習に使用できる特徴を有さない場合がある。したがって、特徴行列は、ネットワーク表現学習を使用して、対象ネットワーク１０５及び背景ネットワーク１１０に関連する隣接行列１１５、１２０の各々から生成されてもよい。例えば、特徴行列１２５は、ターゲットとしての対象ネットワーク１０５に関連する隣接行列１１５から生成されてもよい。さらに、特徴行列１３０は、背景ネットワーク１１０に関連する隣接行列１２０から生成されてもよい。図１に示されるように、特徴行列１２５、１３０の各々は、ネットワーク表現学習で得られる特徴の数による、基礎となるネットワーク内のノードの数（例えば、対象ネットワークノード数｜ＶＴ｜及び背景ネットワークノード｜ＶＢ｜）に対応する次元（ｄ）を有する。
特徴行列１２５、１３０を生成するために、任意の帰納的ネットワーク表現学習方法（例えば、ＧｒａｐｈＳＡＧＥ、ＦａｓｔＧＣＮなどのアルゴリズム、又は当業者に明らかであり得る任意の他の表現学習方法）を使用してもよい。
さらに、いくつかの例示的な実装形態では、選択された帰納的ネットワーク表現学習方法は、解釈可能な特徴を生成できる方法（例えば、ＤｅｅｐＧＬなどのアルゴリズム、又は当業者に明らかであり得る任意の他の表現学習方法）であってもよい。以下で論じられる図３Ａ及び図３Ｂは、本開示の例示的な実装形態で使用されてもよい異なるネットワーク表現学習方法の概略図を示す。
得られた特徴行列１２５、１３０から、対照学習を適用することにより、射影行列１３５を生成することができる。射影行列１３５は、元の特徴次元からより低い埋め込み空間へのパラメトリックマッピングであってもよい。射影行列内で、次元ｋは、対照学習で得られた低次元表現の次元数とすることができる。
いくつかの例示的な実装形態では、射影行列を提供することができる任意の対照学習法を使用してもよい（例えば、対照ＰＣＡなどのアルゴリズム、対照変分オートエンコーダ、又は当業者に明らかであり得る他の任意の対照学習法）。いくつかの例示的な実装形態では、対照ＰＣＡを使用して、特徴の寄与を射影行列１３５に提供してもよい。対照ＰＣＡを使用すると、対照的な主成分の負荷を参照することで、特徴の寄与が取得され得る。あるいは、対照ＰＣＡは、特徴の寄与を提供できる別の方法が将来的に開発される可能性がある場合は、そのような別の方法で置き換えられてもよい。
特徴行列１２５、１３０（例えば、対象ネットワーク１０５から生成された特徴行列１２５又は背景ネットワーク１１０から生成された特徴行列１３０）の各々に射影行列１３５を乗ずることにより、対照表現行列１４０、１４５をそれぞれ得ることができる。行列１４０は、対象ネットワーク１０５に関連する特徴行列１２５が乗算されている射影行列１３５を表す。さらに、行列１４５は、背景ネットワーク１１０に関連する特徴行列１３０によって乗算されている射影行列１３５を表す。
次に、これらの対照表現行列１４０、１４５は、可視化１５０として対話型分析のために可視化されてもよい。可視化１５０及びその操作の特定の例は、図４～図９に関して以下でより詳細に論じられる。
図２は、本出願の例示的な実装形態に係る一対のネットワークを対照的に分析するためのプロセス２００のフローチャートを示す。プロセス２００は、１又は複数のコンピューティング装置（例えば、図１２のコンピューティング環境１２００のコンピューティング装置１２０５）によって実行されてもよい。プロセス２００において、ステップ２０５では、ネットワークノードを表す行及び列と、ネットワーク接続を表す個々のセルとを含む、隣接行列によって表される対象ネットワークを用いて、第１の特徴行列を生成することができる。具体的には、対象ネットワーク（例えば、比較分析が望まれるネットワーク）を表す隣接行列に、ネットワーク表現学習アルゴリズムを適用して、ネットワーク特徴を抽出し、第１の特徴行列を生成してもよい。ネットワーク表現学習アルゴリズム（例えば、ＤｅｅｐＧＬアルゴリズム、又は当業者には明らかであり得る他のネットワーク表現学習アルゴリズム）は、隣接行列に関連する複数の特徴メトリックを計算して、対象ネットワークの特徴を表してもよい。計算されたメトリックは、各ノードのノード次数、各ノードのページランク、各ノードのネットワーク中心性、ネイバー周辺の平均ページランク、ネイバーの最大値、及び各ノードネイバーのネットワーク中心性のうちの、１又は複数を含んでもよい。いくつかの例示的な実装形態では、計算されたメトリックは、ノードごと、ネイバーごと、及びネイバーの各ネイバー（２ホップネイバー）などについて計算され、対象ネットワーク内のネイバーの複数の次数又はホップに対して、すべてのメトリックを計算してもよい。これにより、対象ネットワークの意味論的に重要な表現を有する、第１の特徴行列を生成することができる。
同様に、ステップ２１０では、ネットワークノードを表す行及び列と、ネットワーク接続を表す個々のセルとを含む、隣接行列によって表される背景ネットワークを用いて、第２の特徴行列を生成することができる。具体的には、背景ネットワーク（例えば、対象ネットワークとの比較分析が望まれるネットワーク）を表す隣接行列に、ネットワーク表現学習アルゴリズムを適用して、ネットワーク特徴を抽出し、第２の特徴行列を生成してもよい。再び、ネットワーク表現学習アルゴリズム（例えば、ＤｅｅｐＧＬアルゴリズム、又は当業者には明らかであり得る他のネットワーク表現学習アルゴリズム）は、隣接行列に関連する複数の特徴メトリックを計算して、背景ネットワークの特徴を表してもよい。計算されたメトリックは、各ノードのノード次数、各ノードのページランク、各ノードのネットワーク中心性、ネイバー周辺の平均ページランク、ネイバーの最大値、及び各ノードネイバーのネットワーク中心性、及び当業者に明らかであってもよい任意の他のメトリックのうちの１又は複数を含んでもよい。いくつかの例示的な実装形態では、計算されたメトリックは、ノードごと、ネイバーごと、及びネイバーの各ネイバー（２ホップネイバー）などについて計算され、背景ネットワーク内のネイバーの複数の次数又はホップのすべてのメトリックを計算してもよい。これにより、背景ネットワークの意味論的に重要な表現を有する、第２の特徴行列を生成することができる。
ステップ２１５では、対象ネットワークを表す第１の特徴行列と背景ネットワークを表す第２の特徴行列とに、対照学習アルゴリズムを適用して、射影行列を生成することができる。例えば、対照学習アルゴリズム（例えば、対照ＰＣＡアルゴリズム又は当業者に明らかであり得る任意の他の対照学習アルゴリズム）は、第１の特徴行列を第２の特徴行列と比較して、背景ネットワークにはない対象ネットワークに固有の特徴を含む射影行列を生成してもよい。
ステップ２２０では、対象ネットワークを表した第１の特徴行列を射影行列に乗ずることによって、対象ネットワークの対照表現行列を生成することができる。同様に、ステップ２２５では、背景ネットワークを表した第２の特徴行列を射影行列に乗ずることによって、背景ネットワークの対照表現行列を生成することができる。
ステップ２３０では、対象ネットワークの対照分析を容易化するために、対象ネットワーク及び背景ネットワークの対照表現行列が、図４～図１０に関して以下で説明する「可視化」により表示されてもよい。対象ネットワークの一意性を検出することにより、対象ネットワークの固有の特徴が検出され、認識され、及び調査されてもよい。
いくつかの例示的な実装形態では、対象ネットワークは、現在の時刻、すなわち特定の時刻（例えば、治療の適用後）における、人間の患者の脳のニューロンネットワーク表現、すなわち脳スキャン画像であってもよい。背景ネットワークは、現在時刻より前の時刻、すなわち先行時刻（例えば、治療の適用前）に取得された、同じ患者のニューロンネットワーク表現、すなわち脳スキャン画像であってもよい。この実装形態では、結果として得られる可視化は、対象ネットワークに固有の特徴（例えば、患者のニューロンネットワーク表現、すなわち脳スキャン画像）を可視化することにより、治療が患者の神経症状又は障害の治療に効果的であったか否かを示してもよい。これは、神経学的な研究及び治療（例えば、アルツハイマー病の研究又は他の神経障害研究）の一部として、説得力のある可視化を有する可能性がある。
他の例示的な実装形態では、対象ネットワークは、現在の時刻でのソーシャルグラフ又はソーシャルコラボレーションネットワーク（特定の研究領域で作業している協力者又は研究者のネットワーク表現）であってもよい。背景ネットワークは、過去の以前の時刻でのソーシャルグラフ又はソーシャルコラボレーションネットワークであってもよい。この実装形態では、結果として得られる可視化により、研究チーム又は協力チームの経時的な変化が示される場合がある。これは、特定の研究領域での協力関係に影響を与える研究上の関心事（research interest）やその他の因子の変化を示している可能性がある。
他の例示的な実装形態では、対象ネットワークは、ある生物種の表現型の特徴のネットワーク表現であってもよく、背景ネットワークは、別の関連する生物種の表現型の特徴のネットワーク表現であってもよい。この実装形態では、結果として得られる可視化により、密接に関連する種の違いが示され、種の差別化研究の強化が可能になり得る。
さらに他の例示的な実装形態では、対象ネットワークは、第１の疾患と診断された患者に見られる症状間又は形態間のリンクのネットワーク表現であってもよい。背景ネットワークは、異なる疾患に見られる症状間又は形態間のリンクのネットワーク表現であってもよい。結果として得られる可視化により、第１の疾患に関連する固有の形態が特定され、認識された症状又は形態のクラスターに基づいてより良い診断が可能になり得る。
本開示のさらなる例示的な実装形態では、対照ネットワーク分析を使用して、データネットワークモデル化のプラットフォーム又はアプリケーションが改良されてもよい。例えば、ネットワークモデル化のプラットフォーム又はアプリケーションを使用して、現実世界ネットワークのモデルが生成されてもよい。一度モデルが生成されると、モデル化されている現実世界ネットワーク（例えば、生物学的集団ネットワーク、コンピューティングネットワーク、電気ネットワーク、又は当業者に明らかであり得る任意の他の現実世界ネットワーク）は、対象ネットワークとして使用されてもよく、生成されたモデルは、本出願による対照ネットワーク分析プロセスにおける背景ネットワークとして使用されてもよい。対照ネットワーク分析の結果は、モデルと比較して一意な現実世界ネットワークの特徴を生成するはずである。次に、モデルを更新して、モデルに含まれていなかった現実世界ネットワークに固有の特徴を組み込むことができる。
これらの例示的な実装形態は、本明細書で説明されている方法及びシステムで使用される可能性のあるネットワークを網羅しているわけではなく、本明細書で説明されているシステム及び方法を適用し、他のタイプのネットワークを比較して固有の特徴を特定するか、又は同じネットワークを経時的に比較して変化を特定してもよい。
図３Ａ及び図３Ｂは、本開示の例示的な実装形態で使用されてもよい異なるネットワーク表現学習方法の概略図を示す。
図３Ａは、「ランダムウォーク」アルゴリズム（例えば、ｎｏｄｅ２ｖｅｃ、又は当業者には明らかであり得る他の「ランダムウォーク」アルゴリズム）に依存するネットワーク表現学習方法の概略図３００を示す。図示されるように、このタイプのネットワーク表現は、相互接続されたノード（円１～８）のネットワーク（３０５）を分析し、一連のリンクされたノードシーケンス（３１０Ａ～３１０Ｄ）を生成する。リンクされたノードシーケンス（３１０Ａ～３１０Ｄ）の各々は、ネットワーク３０５の１つのノードをランダムに選択することにより生成されてもよく、他のノードに接続するリンクをランダムにたどる（例えば、ウォーキング）ことにより生成されてもよい。各ノードから特徴を抽出し、リンクされたノードシーケンスに基づいて抽出された特徴を順序付けることにより、リンクされたノードシーケンスの各々から特徴ベクトル３１５を抽出してもよい。
しかしながら、１つのノードから抽出された特徴は、後続のノードから抽出された特徴との意味論的な関係を有しない場合がある。ノードから抽出された特徴が意味論的な関係を有しない場合、結果として得られる特徴ベクトルを使用しても意味がなく、その特徴からの解釈が困難になる可能性がある。
図３Ｂは、解釈可能な特徴を生成することができる帰納的ネットワーク表現学習方法の概略図３２０を含む。この方法では、特徴の行列３２５の重みｗiｊ（又はＷiｊ）は、ノードシーケンスから生成された特徴ベクトルｘiとｘｊとの間の重みである。図示されるように、行列３２５は、ｉ＜ｊ＜ｋであり、ｘｉ、ｘｊ、及びｘｋがそれぞれ連続的により深いという制約を有する。各特徴層Ｆｈ∈Ｆは、次数ｈ（深さ）の固有の関係関数のセットＦｈ＝｛＊＊＊,ｆｋ,＊＊＊｝を定義する。また、各ｆｋ∈Ｆｈは関係関数を表す。さらに、Ｆは、以下の式１によって定義されてもよく、｜Ｆ｜は以下の式２によって定義されてもよい。
Ｆ＝Ｆ１∪Ｆ２∪・・∪Ｆτ（式１）、
｜Ｆ｜＝｜Ｆ１｜＋｜Ｆ２｜＋・・＋｜Ｆτ｜（式２）。
さらに、Ｆは、Ｆ１＜Ｆ２＜・・＜Ｆτとなるように順序付けられてもよく、ｉ＜ｊの場合、ＦｊはＦｉと比較してより深い層であると言われる。
このフレームワークを使用して、帰納的ネットワーク表現学習方法は、初期の低次（基本）サブグラフ又はサブネットワーク特徴のセットに基づいて、次第に高次になるサブグラフ又はサブネットワーク特徴に対応し得る関係関数を学習してもよい。したがって、畳み込みニューラルネットワーク（ＣＮＮ）で使用されるフィルタと同様に、この帰納的ネットワーク表現学習方法は、同様に理解されてもよく、単純なフィルタが様々な方法で結合されている低次のサブグラフに置き換えられて、各連続層で次第に複雑になる高次のサブグラフパターンが取得される。
このようにして、図３Ｂに示すような帰納的ネットワーク表現学習方法は、関係特徴と基本特徴との両方を学習して、それぞれの基本ネットワークと対象ネットワークに関連付けられる特徴行列３３０を作成してもよく、解釈可能な特徴の生成を可能にしてもよい。
図４は、本出願の例示的な実装形態に係る対照ネットワーク分析の可視化を提供してもよいユーザインタフェース４００を図示する。ユーザインタフェース４００は、コンピューティング装置（例えば、図１２のコンピューティング環境１２００のコンピューティング装置１２０５）の表示装置上に表示され得る。例えば、ユーザインタフェース４００は、モニタ、ＴＶ画面、ラップトップ画面、タブレット画面、又は任意の他の表示装置上に表示されてもよい。さらに、ユーザインタフェース４００は、直接的なユーザ対話を提供するタッチスクリーン、又はユーザ入力装置（例えば、マウス、トラックボール、タッチパッド、ジョイスティック、キーボード、又は当業者には明らかであり得る任意の他のユーザ入力装置）を必要とする非接触のスクリーン装置上に表示されてもよい。
図示のように、ユーザインタフェース４００は、対話形式で対照ネットワーク分析に関する情報を提供する複数のサブセクション４０５～４３０を有していてもよい。例えば、ユーザインタフェース４００は、対象ネットワーク及び背景ネットワークの概略を提供する、ネットワークのレイアウトインタフェース４０５及び４１０を含んでいてもよい。具体的には、対象ネットワークのレイアウトインタフェース４０５は、分析されている対象ネットワークのノードのグラフィック表現を提供する。さらに、背景ネットワークのレイアウトインタフェース４１０は、対象ネットワークと比較されている背景ネットワークのノードのグラフィック表現を提供する。対象ネットワークのレイアウトインタフェース４０５及び背景ネットワークのレイアウトインタフェース４１０は、図５に関して以下でより詳細に説明される。
さらに、ユーザインタフェース４００はまた、対象ネットワーク及び背景ネットワークのグラフィック表現を重ね合わせて、対照表現学習の結果を可視化する対照表現インタフェース４１５も含んでいてもよい。対照表現学習の結果は、図１に関して上述された本開示の例示的な実装形態による対照ネットワーク分析プロセスを通じて生成されたものである。対照表現インタフェース４１５は、図６に関して以下でより詳細に論じられる。
さらに、ユーザインタフェース４００は、図１に関して上述されたネットワーク表現学習プロセスを通じて得られた、特徴行列に格納された特徴の定義を提供する特徴寄与インタフェース４２０を含んでいてもよい。この可視化により、ユーザは、対象ネットワークの一意性に大きく寄与している特徴を確認してもよい。言い換えると、ユーザは、それらが背景ネットワークにはないという理由で、どのネットワーク特徴が対象ネットワークを一意にするかを判断してもよい。特徴寄与インタフェース４２０については、図７に関して以下でより詳細に説明する。
さらにまた、ユーザインタフェース４００は、確率分布インタフェース４２５及び特徴説明インタフェース４３０を含んでもよい。確率分布インタフェース４２５は、特徴寄与インタフェース４２０からの選択に基づいて、対象ネットワーク及び背景ネットワークの選択された特徴の値の確率分布を示してもよい。さらに、特徴寄与インタフェース４２０から選択された値を有する各ノードは、特徴説明インタフェース４３０において可視化されてもよい。確率分布インタフェース４２５及び特徴説明インタフェース４３０は、それぞれ図９及び図１０に関して以下でより詳細に論じられる。
図５は、図４のユーザインタフェース４００の対象ネットワークのレイアウトインタフェース４０５及び背景ネットワークのレイアウトインタフェース４１０の注釈付きバージョンを示す。図５には、説明のために凡例５０５が追加されている。説明の目的で、対象ネットワークのレイアウトインタフェース４０５に示される対象ネットワークは、海洋生物学者によって研究されている、海洋ポッド（marine pod）内の６２頭のイルカのソーシャルネットワークである。図示したように、各イルカは、黒のパラメータを有するドット（例えば５１０Ａ～５１０Ｄ）と、ネットワーク特徴のスケーリングされた値を表す色又色合いを有する内部とによって表されている。図示のように、暗い色又色合い（shade）のドット（例えば５１０Ｃ及び５１０Ｄ）は、スケーリングされた特徴の最小値又は小さい値を表し、明るい色又色合いのドット（５１０Ａ及び５１０Ｂ）は、スケーリングされた特徴の最大値又は大きい値を表してもよい。ノード間のリンク（例えば５１５Ａ～５１５Ｄ）は、イルカ間の関係又は相互作用を表す。
説明のために、背景ネットワークのレイアウトインタフェース４１０に示される背景ネットワークは、空手クラブの３４人のメンバーのソーシャルネットワークである。図示のように、各空手クラブのメンバーは、白色のパラメータを有するドット（例えば５２０Ａ～５２０Ｄ）と、ネットワーク特徴のスケーリングされた値を表す色又は陰影を有する内部とによって表されている。図示したように、暗い色又色合いのドット（例えば５２０Ｃ及び５２０Ｄ）は、スケーリングされた特徴の最小値又は小さい値を表し、明るい色又色合いのドット（例えば５２０Ａ及び５２０Ｂ）は、スケーリングされた特徴の最大値又は大きい値を表してもよい。ノード間のリンク（例えば５２５Ａ～５２５Ｄ）は、空手クラブメンバー間の関係又は相互作用を表す。
図６は、図４のユーザインタフェース４００の対照表現インタフェース４１５の注釈付きバージョンを示す。図６には、ノードの類似度を表し得るノードの近接関係を表す矢印（例えば、６０５及び６１０）が追加されている。さらに、対象ネットワークと背景ネットワークの対比空間を示すために、ボックス６１５～６２０が追加されている。さらに、対照表現インタフェース４１５内には、対象ネットワークと背景ネットワークの両方が示されている。上述のように、対象ネットワークは、海洋生物学者によって研究されている海洋ポッド内の６２頭のイルカのソーシャルネットワークである。図示したように、各イルカは、黒のパラメータを有するドット（例えば６３０、６３５）と、ネットワーク特徴のスケーリングされた値を表す色又は色合いを有する内部とによって表されている。さらに、図示されている背景ネットワークは、空手クラブの３４人のメンバーのソーシャルネットワークである。図示したように、各空手クラブのメンバーは、白色のパラメータを有するドット（例えば６４０、６４５）と、ネットワーク特徴のスケーリングされた値を表す色又は色合いを有する内部とによって表されている。図示したように、暗い色又色合いのドット（例えば６３０、６４０）は、スケーリングされた特徴の最小値又は小さい値を表し、明るい色又色合いのドット（例えば、６３５及び６４０）は、スケーリングされた特徴の最大値又は大きい値を表してもよい。対照表現インタフェースから、ユーザは、対象ネットワークのノード（例えば６３０、６３５）が背景ネットワークのノード（例えば６４０、６４５）と比較して特定のパターンを持っているか否か、またどの対象ネットワークのノードが、どの背景ネットワークのノードと違いがあるかを観察してもよい。例えば、図６に示すように、背景ネットワークのノード（例えば６４０、６４５）は中心（ボックス６２５）の周りにのみ配置されるが、対象ネットワークのノード（例えば６３０、６３５）は、ｘ方向とｙ方向（ボックス６１５、６２０）の両方に、より幅広く分布している。
図７は、図４のユーザインタフェース４００の特徴寄与インタフェース４２０の注釈付きバージョンを示す。図示のように、特徴寄与インタフェース４２０は、図１に関して上述したネットワーク表現学習プロセスの手順で得られた特徴行列の行に対応する、特徴定義７０５のリストを表示してもよい。さらに、異なる色又は色合いのマップを使用することにより、対照学習から得られた特徴の寄与を示すことができる。この特徴寄与インタフェース４２０により、対象ネットワークの一意性に大きく寄与している特徴は、より暗い又はより強い特徴で示されてもよい。例えば、図７に示されるように、強調された特徴７１０の色は、左側の暗い色の正方形７１５で示されるように、高い絶対特徴寄与を有する。また、ＤｅｅｐＧＬを含むネットワーク表現学習方法の多くは、各ノードのネイバーの中心性（又は基本特徴）で計算される複雑な特徴を生成する可能性があるため、本開示の例示的な実装形態は、特徴定義の直感的な表現を提供してもよい。
さらに、図８は、本出願の例示的な実装形態による、特徴寄与インタフェース４２０に表示される複雑な特徴の生成のグラフィック表現８００を示す。図８に示すように、各特徴について、（方向を示す）ライン８１０を用いてネイバータイプ（内、外、又は全ネイバー）を示してもよく、長方形８１５を用いて基本特徴（例えば、総ノード次数）を示してもよく、円８２０Ａ、８２０Ｂ、８２０Ｃを用いてネイバー値を合計するために使用される関数（例えば、平均、合計）を示してもよい。参考のために、ライン８１０によってグラフィカルに表される関係関数８３０（例えば、それぞれのネットワークのノードと基本関数との間の関係）が図示されている。例えば、図８では、関係関数８３０は、関連するライン８１０が、総ての外ネイバーの合計を表すことを示している。ここで、総ての外ネイバーの合計は、総ノード次数に対する内ネイバーの平均の総てのネイバーについての合計である。図示されるように、ライン表現８１０は、関係関数８３０と比較して、ユーザによってより容易に理解され得る。総次数の基本特徴は、図８に長方形で表されているが、基本特徴も、当業者には明らかであるように、同様の図を使用して示されてもよい。
図９は、図４のユーザインタフェース４００の確率分布インタフェース４２５の拡大バージョンのコピーを示す。図９に示されるように、確率分布インタフェース４２５は、上述の特徴寄与インタフェース４２０から選択されたネットワーク特徴について、対象ネットワークの確率分布曲線９０５及び背景ネットワークの確率分布曲線９１０を示す。
図示されるように、特徴寄与インタフェース４２０から選択された特徴について、本開示のプロセスの例示的な実装形態は、図９のピンクの縦線９２５Ａ、９２５Ｂ、９２５Ｃ、９２５Ｄ、９２５Ｅで示されるように、いくつかの代表的な特徴値（例えば、分位点｛Ａ、Ｂ、Ｃ、Ｄ、Ｅ｝）を自動的に選択してもよい。確率分布インタフェース４２５はまた、表示された曲線を、正規化、対数スケーリング、又は正規化及び対数スケーリングの組み合わせでスケーリングするための切り替えに使用できる一対の比率制御９１５、９２０を含む。
図１０は、図４のユーザインタフェース４００の特徴説明インタフェース４３０の拡大されたコピーを示す。特徴説明インタフェース４３０は、各ノードの特徴値がどのように取得されるかを理解するのに役立つ補足的な可視化を提供してもよい。上述したように、特徴寄与インタフェース４２０から選択された特徴について、本開示のプロセスの例示的な実装形態は、いくつかの代表的な特徴値（例えば、分位点｛Ａ、Ｂ、Ｃ、Ｄ、Ｅ｝）を自動的に選択してもよい。次に、図１０に示すように、選択された値を有する各ノードは、色付けされた又は陰影付けされた（shaded）ドットを囲むボックス１００５Ａ～１００５Ｅを用いて、特徴説明インタフェース４３０において可視化されてもよい。本出願の例示的な実装形態はまた、特徴値の計算に関連する全ネイバー（例えば、図１０に示され、参照番号１０１０Ａ～１０１０Ｅで選択的に番号付けされたドット）を可視化してもよい。ネイバー及びノードを表すドット（例えば、１０１０Ａ～１０１０Ｅ）は、図示された特徴の計算値に基づいて、陰影付け又は色付けされてもよい。例えば、より暗いドット（例えば、１０１０Ａ、１０１０Ｂ、１０１０Ｃ）は、より小さい値を表してもよく、より明るいドット（例えば、１０１０Ｄ、１０１０Ｅ）は、より大きい値を表してもよい。
図１１は、本出願の例示的な実装形態に係る選択されたノード１１３０の特徴値を段階的に計算するプロセスの概略図１１００を示す。１１０５に示すように、ユーザが基本特徴名１１２５上に移動すると、関連するノード１１３５の基本特徴値が、表示された数字１１４０によって表される。同様に、１１１０に示すように、関数名（例えば、平均）上に移動すると、平均関数に関連するノード１１３５及び計算値１１４０が表示される。さらに、１１１５に示すように、関数名（例えば、全合計）上に移動すると、関連するノード１１３５に、全合計関数及び計算値１１４０を表示させる。さらに、１１２０に示すように、関数名（例えば、外合計）上に移動すると、関連するノード１１３５に、外合計関数及び計算値１１４０を表示させる。
図１１に示す個々のステップ（例えば、１１０５～１１２０）を適用して、特徴値が計算されてもよい。最初に、１１０５で、基本特徴（すなわち、総ノード次数）が選択され、可視化により総ノード次数を有するノード１１３５が着色される。これは青い正方形で示されるノード１１３０の特徴値の計算に関連する。１１０５に示すように、これらの関連するノードは明るい外側リングの色で強調表示される。この段階では、白色のノード（ラベルなし）は計算には使用されない。次に、１１１０で、平均関数名が選択されると、関連するノード１１３５が、それらの内ネイバーの総ノード次数の平均値に基づいて強調表示され、色付けされる。１１１５及び１１２０で、残りの白色のノードが、選択された関数に基づいて同様の方法で色付けされる。
さらに、いくつかの例示的な実装形態では、ユーザインタフェース４００のすべてのインタフェース４０５～４３０は、他の可視化４０５～４３０の間のブラッシング及びリンキングをサポートしてもよい。例えば、特徴寄与インタフェース４２０において選択された特徴の値は、対象ネットワークのインタフェース４０５、背景ネットワークのインタフェース４１０、及び対照表現インタフェース４１５におけるノードの色として示されてもよい。対照学習は、別のネットワークと比較することによって１つのネットワーク内の特定のパターンを見つけることができるため、上記のユーザインタフェース４００を使用すると、ユーザは対照ネットワーク表現学習に使用される対象ネットワークと背景ネットワークとを切り替えることができる。
例示的コンピューティング環境
図１２は、いくつかの例示的な実装形態において使用するのに適した例示的コンピュータ装置１２０５を有する例示的コンピューティング環境１２００を示している。コンピューティング環境１２００におけるコンピューティング装置１２０５は、１又は複数の処理ユニット、コア、又はプロセッサ１２１０、メモリ１２１５（例えば、ＲＡＭ、ＲＯＭ、及び／又は同様のもの）、内部記憶装置１２２０（例えば、磁気、光、固体記憶装置、及び／又は有機）、及び／又はＩ／Ｏインタフェース１２２５を含むことができ、これらのうちの任意のものは、情報を伝達するために通信機構又はバス１２３０に接続されていてもよく、又はコンピュータ装置１２０５に内蔵されていてもよい。
コンピューティング装置１２０５は、入力／インタフェース１２３５及び出力装置／インタフェース１２４０に通信可能に接続されていてもよい。入力／インタフェース１２３５及び出力装置／インタフェース１２４０のいずれか一方又は両方は、有線又は無線のインタフェースとすることができ、着脱可能とすることができる。入力／インタフェース１２３５は、入力を提供するために使用され得る、物理的又は仮想的な任意の装置、コンポーネント、センサ、又はインタフェース（例えば、ボタン、タッチスクリーンインタフェース、キーボード、ポインティング／カーソル制御、マイクロフォン、カメラ、点字、モーションセンサ、光学式リーダなど）を含んでいてもよい。
出力装置／インタフェース１２４０は、ディスプレイ、テレビ、モニタ、プリンタ、スピーカ、点字などを含んでいてもよい。いくつかの例示的な実装形態において、入力／インタフェース１２３５（例えばユーザインタフェース）及び出力装置／インタフェース１２４０は、コンピュータ装置１２０５に内蔵されていてもよく、又は物理的に接続されていてもよい。他の例示的な実装形態において、他のコンピュータ装置は、コンピュータ装置１２０５についての入力／インタフェース１２３５や、出力装置／インタフェース１２４０として機能してもよく、又はその機能を提供してもよい。これらの要素は、ユーザがＡＲ環境と対話できるように、周知のＡＲハードウェア入力を含むことができるが、これに限定されない。
コンピュータ装置１２０５の例は、これに限定されるものではないが、高度なモバイル装置（例えば、スマートフォン、車両及び他の機械における装置、人間及び動物によって携行される装置など）、モバイル装置（例えば、タブレット、ノートブック、ラップトップ、パーソナルコンピュータ、携帯テレビ、ラジオなど）、並びに、移動性のために設計されていない装置（例えば、デスクトップコンピュータ、サーバ装置、他のコンピュータ、情報キオスク、１又は複数のプロセッサが内蔵された及び／又はそれに接続されたテレビ、ラジオなど）を含んでいてもよい。
コンピュータ装置１２０５は、同じ構成又は異なる構成の１又は複数のコンピュータ装置を含む、任意の数のネットワークコンポーネント、装置、及びシステムと通信するために、外部記憶装置１２４５及びネットワーク１２５０に（例えば、Ｉ／Ｏインタフェース１２２５を介して）通信可能に接続されていてもよい。コンピュータ装置１２０５又は任意の接続されたコンピュータ装置は、サーバ、クライアント、シンサーバ、汎用マシン、専用マシン、又は他のラベルのサービスを提供するように機能してもよく、又はそのように呼ばれてもよい。
Ｉ／Ｏインタフェース１２２５は、これに限定されるものではないが、コンピューティング環境１２００における少なくともすべての接続されたコンポーネント、装置、及びネットワークとの間で情報を伝達するために、任意の通信又はＩ／Ｏのプロトコル又は規格（例えば、イーサネット（登録商標）、８０２．１１ｘｓ、ユニバーサルシステムバス、ＷｉＭＡＸ、モデム、セルラネットワークプロトコルなど）を使用する有線又は無線のインタフェースを含むことができる。ネットワーク１２５０は、任意のネットワーク又はネットワークの組み合わせ（例えば、インターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、電話ネットワーク、セルラーネットワーク、衛星ネットワークなど）とすることができる。
コンピュータ装置１２０５は、一時的媒体及び非一時的媒体を含むコンピュータ使用可能媒体又はコンピュータ可読媒体を利用して、使用及び／又は通信することができる。一時的媒体は、伝送媒体（例えば、金属ケーブル、光ファイバ）、信号、搬送波などを含む。非一時的媒体は、磁気媒体（例えば、ディスク及びテープ）、光学媒体（例えば、ＣＤ－ＲＯＭ、ディジタルビデオディスク、ブルーレイディスク）、固体媒体（例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、固体記憶装置）、及び他の不揮発性記憶装置又はメモリを含む。
コンピュータ装置１２０５は、いくつかの例示的なコンピューティング環境において、技法、方法、アプリケーション、プロセス、又はコンピュータ実行可能命令を実行するために使用されてもよい。コンピュータ実行可能命令は、一時的媒体から取得されてもよく、非一時的媒体に記憶されて非一時的媒体から取得されてもよい。実行可能命令は、任意のプログラミング言語、スクリプト言語、及び機械語（例えば、Ｃ、Ｃ＋＋、Ｃ＃、Ｊａｖａ（登録商標）、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、ＪａｖａＳｃｒｉｐｔ（登録商標）など）のうちの１又は複数から生成されてもよい。
プロセッサ１２１０は、ネイティブな環境又は仮想環境において、任意のオペレーティングシステム（ＯＳ）（図示しない）の下で動作することができる。論理ユニット１２５５、アプリケーションプログラミングインタフェース（ＡＰＩ）ユニット１２６０、入力ユニット１２６５、出力ユニット１２７０、ネットワーク表現学習ユニット１２７５、対照学習ユニット１２８０、対照表現ユニット１２８５、可視化生成器１２９０、及び異なるユニットが互いに通信すると共に、ＯＳや他のアプリケーション（図示せず）と通信するためのユニット間通信機構１２９５を含む１又は複数のアプリケーションが展開されてもよい。
例えば、ネットワーク表現学習ユニット１２７５、対照学習ユニット１２８０、対照表現ユニット１２８５、及び可視化生成器１２９０は、図２に示される１又は複数のプロセスを実施し、図１のアーキテクチャを実装してもよい。説明されたユニット及び要素は、設計、機能、構成、又は実装において変更可能であり、提供された説明に限定されるものではない。
いくつかの例示的な実装形態では、情報又は実行命令がＡＰＩユニット１２６０によって受信されると、それは１又は複数の他のユニット（例えば、ネットワーク表現学習ユニット１２７５、対照学習ユニット１２８０、対照表現ユニット１２８５、及び可視化生成器１２９０）に伝送されてもよい。例えば、ネットワーク表現学習ユニット１２７５は、対象ネットワーク及び背景ネットワークから特徴行列を生成し、生成された特徴行列を対照学習ユニット１２８０に提供してもよい。対照学習ユニット１２８０は、生成された特徴行列を使用して、対照学習を通じて射影行列を生成し、射影行列を対照表現ユニット１２８５に提供してもよい。対照表現ユニット１２８５は、射影行列を使用して、特徴行列から対象ネットワーク及び背景ネットワークの対照表現を生成してもよい。さらに、可視化生成器１２９０は、対象ネットワーク及び背景ネットワークの対照表現に基づいて対照的可視化を生成してもよい。
いくつかの例では、論理ユニット１２５５は、ユニット間の情報フローを制御し、上記のいくつかの例示的な実装形態における、ＡＰＩユニット１２６０、入力ユニット１２６５、ネットワーク表現学習ユニット１２７５、対照学習ユニット１２８０、対照表現ユニット１２８５、及び可視化生成器１２９０によって提供されるサービスを導くように構成されてもよい。例えば、１又は複数のプロセス又は実装形態のフローは、論理ユニット１２５５によって単独で、又はＡＰＩユニット１２６０と連携して制御されてもよい。
いくつかの例示的な実装形態が示され、説明されているが、これらの例示的な実装形態は、本明細書に記載される主題を当業者に伝えるために提供される。本明細書に記載された主題は、記載された例示的な実装形態に限定されることなく、様々な形態で実施されてもよいことを理解されたい。本明細書に記載された主題は、具体的に定義若しくは記載された事項を使用して、又は記載されていない他の若しくは異なる要素若しくは事項を使用して実施できる。当業者は、添付の特許請求の範囲及びその均等物で定義された本明細書に記載された主題から逸脱することなく、これらの例示的な実装形態に対して変更を行うことができることを理解するであろう。

Claims (21)

  1. 機械学習を用いてデータの背景ネットワークと比較して対象ネットワークを分析する方法であって、
    前記対象ネットワークを表す隣接行列から第１の特徴行列を抽出するステップと、
    前記背景ネットワークを表す隣接行列から第２の特徴行列を抽出するステップと、
    対照学習アルゴリズムを用いて前記第１の特徴行列及び前記第２の特徴行列に基づいて射影行列を生成するステップと、
    前記射影行列及び前記第１の特徴行列に基づいて前記対象ネットワークの第１の対照表現行列を生成するステップと、
    前記射影行列及び前記第２の特徴行列に基づいて前記背景ネットワークの第２の対照表現行列を生成するステップと、
    前記第１の対照表現行列及び前記第２の対照表現行列に基づいて、前記背景ネットワークと比較した前記対象ネットワークに固有の特徴の可視化を表示するステップと、
    を含む、方法。
  2. 前記第１の特徴行列が、ネットワーク学習アルゴリズムを用いて前記対象ネットワークを表す隣接行列から抽出され、
    前記第２の特徴行列が、前記ネットワーク学習アルゴリズムを用いて前記背景ネットワークを表す隣接行列から抽出される、
    請求項１に記載の方法。
  3. 前記ネットワーク学習アルゴリズムが、ＤｅｅｐＧＬアルゴリズムである、請求項２に記載の方法。
  4. 前記対象ネットワークが、特定の時刻に生成された患者に関連するニューロンネットワーク表現であり、
    前記背景ネットワークが、前記特定の時刻より前の先行時刻に生成された前記患者に関連するニューロンネットワーク表現であり、
    前記対象ネットワークの可視化された前記固有の特徴に基づいて、特定の時刻に生成された前記患者に関連する前記ニューロンネットワーク表現の変化を特定するステップをさらに含む、
    請求項１に記載の方法。
  5. 前記対象ネットワークが、特定の時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークであり、
    前記背景ネットワークが、前記特定の時刻の前の先行時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークであり、
    前記対象ネットワークの可視化された前記固有の特徴に基づいて、特定の時刻に生成された研究領域に関連する前記ソーシャルコラボレーションネットワークの変化を特定するステップをさらに含む、
    請求項１に記載の方法。
  6. 前記対象ネットワークが、第１の生物種の表現型の特徴のネットワーク表現であり、
    前記背景ネットワークが、関連する第２の生物種の表現型の特徴のネットワーク表現であり、
    前記対象ネットワークの可視化された前記固有の特徴に基づいて、前記第１の生物種の示差的な表現型の特徴を特定するステップをさらに含む、
    請求項１に記載の方法。
  7. 前記対象ネットワークが、第１の生物学的疾患と診断された患者に見られる症状間のリンクのネットワーク表現であり、
    前記背景ネットワークが、第２の生物学的疾患と診断された患者に見られる症状間のリンクのネットワーク表現であり、
    前記対象ネットワークの可視化された前記固有の特徴に基づいて、前記第１の生物学的疾患に固有の特徴的な症状を特定するステップをさらに含む、
    請求項１に記載の方法。
  8. 前記対象ネットワークが、ネットワークモデル化アプリケーションによってモデル化されている現実世界ネットワークであり、
    前記背景ネットワークは、前記ネットワークモデル化アプリケーションによって生成された前記現実世界ネットワークを表すモデルネットワークであり、
    前記対象ネットワークの可視化された前記固有の特徴を含めるために、前記ネットワークモデル化アプリケーションを更新するステップをさらに含む、
    請求項１に記載の方法。
  9. 機械学習を用いてデータの背景ネットワークと比較して対象ネットワークを分析するためのプログラムであって、
    コンピュータに、
    前記対象ネットワークを表す隣接行列から第１の特徴行列を抽出するステップと、
    前記背景ネットワークを表す隣接行列から第２の特徴行列を抽出するステップと、
    対照学習アルゴリズムを用いて前記第１の特徴行列及び前記第２の特徴行列に基づいて射影行列を生成するステップと、
    前記射影行列及び前記第１の特徴行列に基づいて前記対象ネットワークの第１の対照表現行列を生成するステップと、
    前記射影行列及び前記第２の特徴行列に基づいて前記背景ネットワークの第２の対照表現行列を生成するステップと、
    前記第１の対照表現行列及び前記第２の対照表現行列に基づいて、前記背景ネットワークと比較した前記対象ネットワークに固有の特徴の可視化を表示するステップと、
    を実行させるためのプログラム。
  10. 前記第１の特徴行列が、ネットワーク学習アルゴリズムを用いて前記対象ネットワークを表す前記隣接行列から抽出され、
    前記第２の特徴行列が、前記ネットワーク学習アルゴリズムを用いて前記対象ネットワークを表す前記隣接行列から抽出され、
    前記ネットワーク学習アルゴリズムが、ＤｅｅｐＧＬアルゴリズムである、
    請求項９に記載のプログラム。
  11. 前記対象ネットワークが、特定の時刻に生成された患者に関連するニューロンネットワーク表現であり、
    前記背景ネットワークが、前記特定の時刻より前の先行時刻に生成された前記患者に関連するニューロンネットワーク表現であり、
    前記対象ネットワークの可視化された前記固有の特徴に基づいて、特定の時刻に生成された前記患者に関連する前記ニューロンネットワーク表現の変化を特定するステップをさらに含む、
    請求項９に記載のプログラム。
  12. 前記対象ネットワークが、特定の時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークであり、
    前記背景ネットワークが、前記特定の時刻の前の先行時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークであり、
    前記対象ネットワークの可視化された前記固有の特徴に基づいて、特定の時刻に生成された研究領域に関連する前記ソーシャルコラボレーションネットワークの変化を特定するステップをさらに含む、
    請求項９に記載のプログラム。
  13. 前記対象ネットワークが、第１の生物種の表現型の特徴のネットワーク表現であり、
    前記背景ネットワークが、関連する第２の生物種の表現型の特徴のネットワーク表現であり、
    前記対象ネットワークの可視化された前記固有の特徴に基づいて、前記第１の生物種の示差的な表現型の特徴を特定するステップをさらに含む、
    請求項９に記載のプログラム。
  14. 前記対象ネットワークが、第１の生物学的疾患と診断された患者に見られる症状間のリンクのネットワーク表現であり、
    前記背景ネットワークが、第２の生物学的疾患と診断された患者に見られる症状間のリンクのネットワーク表現であり、
    前記対象ネットワークの可視化された前記固有の特徴に基づいて、前記第１の生物学的疾患に固有の特徴的な症状を特定するステップをさらに含む、
    請求項９に記載のプログラム。
  15. 前記対象ネットワークが、ネットワークモデル化アプリケーションによってモデル化されている現実世界ネットワークであり、
    前記背景ネットワークは、前記ネットワークモデル化アプリケーションによって生成された前記現実世界ネットワークを表すモデルネットワークであり、
    前記対象ネットワークの可視化された前記固有の特徴を含めるために、前記ネットワークモデル化アプリケーションを更新するステップをさらに含む、
    請求項９に記載のプログラム。
  16. 対象ネットワーク及び背景ネットワークに関連するネットワークデータを記憶する記憶装置と、
    機械学習を用いて、データの前記背景ネットワークと比較して前記対象ネットワークを自動的に分析するプロセッサと、
    を備え、
    前記プロセッサが、
    前記対象ネットワークを表す隣接行列から第１の特徴行列を抽出し、
    前記背景ネットワークを表す隣接行列から第２の特徴行列を抽出し、
    対照学習アルゴリズムを用いて前記第１の特徴行列及び前記第２の特徴行列に基づいて射影行列を生成し、
    前記射影行列及び前記第１の特徴行列に基づいて前記対象ネットワークの第１の対照表現行列を生成し、
    前記射影行列及び前記第２の特徴行列に基づいて前記背景ネットワークの第２の対照表現行列を生成し、
    前記第１の対照表現行列及び前記第２の対照表現行列に基づいて、前記背景ネットワークと比較した前記対象ネットワークに固有の特徴の可視化を表示する、
    ように構成された、
    コンピュータ装置。
  17. 前記対象ネットワークが、特定の時刻に生成された患者に関連するニューロンネットワーク表現であり、
    前記背景ネットワークが、前記特定の時刻より前の先行時刻に生成された前記患者に関連するニューロンネットワーク表現であり、
    前記プロセッサが、さらに、前記対象ネットワークの可視化された前記固有の特徴に基づいて、特定の時刻に生成された前記患者に関連する前記ニューロンネットワーク表現の変化を特定する、
    請求項１６に記載のコンピュータ装置。
  18. 前記対象ネットワークが、特定の時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークであり、
    前記背景ネットワークが、前記特定の時刻の前の先行時刻に生成された研究領域に関連するソーシャルコラボレーションネットワークであり、
    前記プロセッサが、さらに、前記対象ネットワークの可視化された前記固有の特徴に基づいて、特定の時刻に生成された研究領域に関連する前記ソーシャルコラボレーションネットワークの変化を特定する、
    請求項１６に記載のコンピュータ装置。
  19. 前記対象ネットワークが、第１の生物種の表現型の特徴のネットワーク表現であり、
    前記背景ネットワークが、関連する第２の生物種の表現型の特徴のネットワーク表現であり、
    前記プロセッサが、さらに、前記対象ネットワークの可視化された前記固有の特徴に基づいて、前記第１の生物種の示差的な表現型の特徴を特定する、
    請求項１６に記載のコンピュータ装置。
  20. 前記対象ネットワークが、第１の生物学的疾患と診断された患者に見られる症状間のリンクのネットワーク表現であり、
    前記背景ネットワークが、第２の生物学的疾患と診断された患者に見られる症状間のリンクのネットワーク表現であり、
    前記プロセッサが、さらに、前記対象ネットワークの可視化された前記固有の特徴に基づいて、前記第１の生物学的疾患に固有の特徴的な症状を特定する、
    請求項１６に記載のコンピュータ装置。
  21. 前記対象ネットワークが、ネットワークモデル化アプリケーションによってモデル化されている現実世界ネットワークであり、
    前記背景ネットワークは、前記ネットワークモデル化アプリケーションによって生成された前記現実世界ネットワークを表すモデルネットワークであり、
    前記プロセッサが、さらに、前記対象ネットワークの可視化された前記固有の特徴を含めるために、前記ネットワークモデル化アプリケーションを更新する、
    請求項１６に記載のコンピュータ装置。
JP2020120216A 2020-01-27 2020-07-13 方法、プログラム、及びコンピュータ装置 Active JP7491106B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/773,899 US11538552B2 (en) 2020-01-27 2020-01-27 System and method for contrastive network analysis and visualization
US16/773,899 2020-01-27

Publications (2)

Publication Number Publication Date
JP2021117966A JP2021117966A (ja) 2021-08-10
JP7491106B2 true JP7491106B2 (ja) 2024-05-28

Family

ID=76921569

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020120216A Active JP7491106B2 (ja) 2020-01-27 2020-07-13 方法、プログラム、及びコンピュータ装置

Country Status (3)

Country Link
US (1) US11538552B2 (ja)
JP (1) JP7491106B2 (ja)
CN (1) CN113176917A (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7189581B1 (ja) 2021-09-29 2022-12-14 株式会社Fronteo 情報処理システム、情報処理方法及びプログラム
CN114974400B (zh) * 2022-03-29 2023-06-16 江南大学 一种全局生物网络比对方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
JP2017220222A (ja) 2016-06-06 2017-12-14 富士通株式会社 データグラフを比較する方法、プログラム、及び装置
JP2018081406A (ja) 2016-11-15 2018-05-24 株式会社日立製作所 ネットワーク分析方法、サーバ及びネットワーク分析システム
JP2018170004A (ja) 2017-03-30 2018-11-01 富士通株式会社 新規患者の挙動を予測するためのシステムおよび方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8943106B2 (en) * 2010-03-31 2015-01-27 International Business Machines Corporation Matrix re-ordering and visualization in the presence of data hierarchies
CN104978498A (zh) * 2015-04-16 2015-10-14 上海大学 生物分子网络拓扑结构比对的自适应方法
CN106202984B (zh) * 2016-08-26 2018-09-04 赵毅 一种基于多层复杂网络对肿瘤miRNA标志物的筛选方法
US11216722B2 (en) * 2016-12-31 2022-01-04 Intel Corporation Hardware accelerator template and design framework for implementing recurrent neural networks
US11176188B2 (en) * 2017-01-11 2021-11-16 Siemens Healthcare Gmbh Visualization framework based on document representation learning
CN107492038A (zh) * 2017-09-18 2017-12-19 济南浚达信息技术有限公司 一种基于神经网络的社区发现方法
US10482375B2 (en) * 2017-11-02 2019-11-19 Palo Alto Research Company Incorporated Deep graph representation learning
CA3022998A1 (en) * 2017-11-02 2019-05-02 Royal Bank Of Canada Method and device for generative adversarial network training
CN109326316B (zh) * 2018-09-18 2020-10-09 哈尔滨工业大学（深圳） 一种癌症相关SNP、基因、miRNA和蛋白质相互作用的多层网络模型构建方法和应用
CN109710812A (zh) * 2018-12-12 2019-05-03 西安交通大学 一种网络表征算法稳定性度量方法
CN110442758B (zh) * 2019-07-23 2022-05-06 腾讯科技（深圳）有限公司 一种图对齐方法、装置和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
JP2017220222A (ja) 2016-06-06 2017-12-14 富士通株式会社 データグラフを比較する方法、プログラム、及び装置
JP2018081406A (ja) 2016-11-15 2018-05-24 株式会社日立製作所 ネットワーク分析方法、サーバ及びネットワーク分析システム
JP2018170004A (ja) 2017-03-30 2018-11-01 富士通株式会社 新規患者の挙動を予測するためのシステムおよび方法

Also Published As

Publication number Publication date
CN113176917A (zh) 2021-07-27
JP2021117966A (ja) 2021-08-10
US11538552B2 (en) 2022-12-27
US20210233607A1 (en) 2021-07-29

Similar Documents

Publication Publication Date Title
Graziani et al. Concept attribution: Explaining CNN decisions to physicians
Esteva et al. Dermatologist-level classification of skin cancer with deep neural networks
Tschandl et al. Human–computer collaboration for skin cancer recognition
Tjoa et al. A survey on explainable artificial intelligence (xai): Toward medical xai
Ch et al. Knowledge reduction in formal contexts using non-negative matrix factorization
CN110419057A (zh) 用于确定分段的混合式主动机器学习***和方法
Varoquaux et al. Markov models for fMRI correlation structure: is brain functional connectivity small world, or decomposable into networks?
Qiang et al. Modeling task-based fMRI data via deep belief network with neural architecture search
JP7491106B2 (ja) 方法、プログラム、及びコンピュータ装置
Linhares et al. Visual analysis for evaluation of community detection algorithms
Shen et al. Randstainna: Learning stain-agnostic features from histology slides by bridging stain augmentation and normalization
Lü et al. Networked knowledge and complex networks: An engineering view
Huang et al. A Visual Designer of Layer‐wise Relevance Propagation Models
Zhang et al. A simple self-supervised ECG representation learning method via manipulated temporal–spatial reverse detection
Behrisch et al. GUIRO: user-guided matrix reordering
Liu et al. Explainable data-driven modeling of patient satisfaction survey data
Yotsu et al. Deep learning for AI-based diagnosis of skin-related neglected tropical diseases: A pilot study
Li et al. Incorporation of human knowledge into data embeddings to improve pattern significance and interpretability
Bibal et al. IXVC: An interactive pipeline for explaining visual clusters in dimensionality reduction visualizations with decision trees
Hicks et al. Visual explanations for polyp detection: How medical doctors assess intrinsic versus extrinsic explanations
Eisler et al. Visual analytics and human involvement in machine learning
Huang et al. Identifying key players in complex networks via network entanglement
Schlesinger et al. Improving resolution of dynamic communities in human brain networks through targeted node removal
Ali et al. Features based adaptive augmentation for graph contrastive learning
Hiippala Corpus-based insights into multimodality and genre in primary school science diagrams

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230621

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240410

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240416

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240429

R150 Certificate of patent or registration of utility model

Ref document number: 7491106

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150