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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims description 58
- 239000011159 matrix material Substances 0.000 claims description 175
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000012800 visualization Methods 0.000 claims description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 238000011160 research Methods 0.000 claims description 19
- 208000024891 symptom Diseases 0.000 claims description 16
- 201000010099 disease Diseases 0.000 claims description 15
- 230000001537 neural effect Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 238000003012 network analysis Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000013459 approach Methods 0.000 description 10
- 241000894007 species Species 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 6
- 239000003086 colorant Substances 0.000 description 6
- 230000001939 inductive effect Effects 0.000 description 6
- 235000005156 Brassica carinata Nutrition 0.000 description 5
- 244000257790 Brassica carinata Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 208000024827 Alzheimer disease Diseases 0.000 description 3
- 241001125840 Coryphaenidae Species 0.000 description 3
- 238000010420 art technique Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 241001481833 Coryphaena hippurus Species 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010007572 Cardiac hypertrophy Diseases 0.000 description 1
- 208000006029 Cardiomegaly Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 208000013404 behavioral symptom Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
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。
Claims (21)
- 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。 - 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。 - 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。
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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)
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)
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 |
-
2020
- 2020-01-27 US US16/773,899 patent/US11538552B2/en active Active
- 2020-07-13 JP JP2020120216A patent/JP7491106B2/ja active Active
- 2020-12-24 CN CN202011557378.3A patent/CN113176917A/zh active Pending
Patent Citations (4)
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 |