비음수가중치를 더한 오토인코더와 그래프오토인코더를 이용한 뇌 네트워크 분해 :Brain network decomposition using the auto-encoder and graph auto-encoder with non-negative weight constraints

이필섭

추천

검색

자료유형: 학위논문

저자정보: 이필섭 (고려대학교, 高麗大學校大學院)

지도교수: 韓澈

발행연도: 2020

저작권: 고려대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (3)

2020

비음수가중치를 더한 오토인코더와 그래프오토인코더를 이용한 뇌 네트워크 분해

이필섭 電子情報工學科 2020.01 학위논문

2019

비음수가중치제한과 네트워크 희소성을 고려한 오토인코더와 그래프오토인코더로 얻은 뇌 서브네트워크 비교

이필섭 , 최명원 , 김대겸 외 4명 전자공학회논문지 2019.12 학술저널

비음수가중치제한과 네트워크희소성을 고려한 오토인코더와 그래프오토인코더로 얻은 뇌 서브네트워크 비교

이필섭 , 최명원 , 임송빈 외 6명 대한전자공학회 학술대회 2019.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

사람의 뇌는 해부학적으로 여러 영역이 구분되어 있고 각 영역은 신경 섬유로 연결되어 정보 교환을 하고 있다. 뇌의 해부학적 구조와 이들의 연결의 집합을 뇌 네트워크(network)라고 부르며, 효율적으로 연결된
뇌 네트워크가 인지기능(cognitive function)과 높은 상관관계가 있음이 잘 알려져 있다. 특히 기능적으로 유사하거나 연관성이 있는 뇌 부위가 근접하게 위치하는 경향을 기능적전문화(functional specialization) 혹은 지엽적분화(local segregation)이라고 부르고, 이렇게 지엽적으로 나눠진 네트워크는 뇌 네트워크의 구성요소(building block)라 볼 수 있으며, 이 구성요소는 전체 뇌 네트워크로부터 나온 조각이기 때문에 서브네트워크(sub-network)라고 부른다. 이러한 기능적전문화를 확인하기 위해서는 뇌 네트워크를 분해(decomposition)하는 것이 반드시 필요하고, 이를 위하여 여러가지 방법이 제안되었으나, 여러 한계점이 존재한다. 본 연구는 기존 네트워크 분해 방법의 문제점을 해결하기 위하여 기계학습 알고리즘을 도입하여 네트워크 분해를 해보고자 한다. 이를 위하여 입력을 여러 구성요소로 분해해주는 것으로 잘 알려진 오토인코더(auto-encoder, AE)와 네트워크 데이터에 적합한 오토인코더인 그래프오토인코더(graph auto-encoder, GAE)를 이용해보았으며, 비음수가중치제한 (non-negative weight constraint)을 추가하여 이를 개선한 모델인 ncGAE를 제안하고 적용하여, 이들의 결과들을 서로 비교해 보았다. 본 연구는 기존의 모델인 오토인코더(AE)와 그래프오토인코더(GAE)를 개선된 그래프오토인코더(ncGAE) 와 정량적으로 비교 분석함으로써, 기존의 모델들보다 개선된 뇌 네트워크 분석 방법을 제안하였다. 해당 방법은 이전에 제안된 방법이 없는 독창적인 방법이고 서브네트워크 분해의 질을 정량적으로 분석하는 연구는 기존에 없었으며, 이 점이 본 논문의 기여점 중 하나라고 할 수 있다. 특히 본 연구의 결과는 단순히 뇌 네트워크를 분해하는 것을 넘어, 인지기능과의 상관관계를 분석함으로써 뇌의 핵심 구성원리 중 하나인 지엽적분화가 기능적전문화와 직접적으로 연결되어 있음을 가시적으로(explicitly) 보여주는 성과를 얻었다.

1. 서론 1
1.1 서론 1
1.2 해당연구의 필요성 및 중요성 3
2. 기존연구 6
2.1 뇌 네트워크 분해관련 기존연구 6
2.1.1 네트워크 모티프(network motif) 6
2.1.2 모듈화정도(modularity) 8
2.1.3 독립성분분석(Independent Component Analysis; ICA) 10
2.2 기계학습과 신경망 11
2.3 오토인코더 (Auto-Encoder) 17
2.3.1 모델 : 인코더와 디코더 17
2.3.2 비음수가중치제한 19
2.3.3 구성요소 분해 방법 19
2.4 그래프오토인코더 (Graph Auto-Encoder) 20
2.4.1 그래프 라플라시안 (graph Laplacian) 21
2.4.2 인코더 : 그래프합성곱신경망 22
2.4.3 디코더 23
3. 연구방법 24
3.1 뇌 네트워크 데이터 24
3.1.1 피험자 모집과 자기공명영상 데이터 24
3.1.2 데이터 전처리 25
3.2 비음수 가중치를 이용한 그래프오토인코더의 개선 27
3.3 그래프오토인코더의 구성요소 분해 방법 제안 28
3.4 분해 평가 29
3.4.1 희소성(sparsity) 30
3.4.2 공간적지엽성(spatial locality) 31
3.4.3 최대 구성요소(Largest Component)비율 32
3.4.4 밀도(density) 32
3.5 인지점수와의 상관관계 분석 33
3.6 구현 36
4. 실험 및 결과 1 : AE vs. ncGAE 37
4.1 방법 37
4.2 재구성 성능 38
4.3 분해 우수성 평가 42
4.4 임상 데이터의 상관 분석 44
5. 실험 및 결과 2 : GAE vs. ncGAE 50
5.1 방법 50
5.2 재구성 성능 50
5.3 분해 우수성 평가 53
5.4 임상 데이터의 상관 분석 53
6. 토론 58
7. 결론 66
참고문헌 68

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)