通过结构感知的核心集选择加速功能连接建模的基准测试

在大规模fMRI数据集上对数百种功能连接建模方法进行基准测试对于可重复的神经科学至关重要。然而，模型-数据配对的组合爆炸使得穷举评估在计算上变得不可行，从而阻碍了此类评估成为常规的预分析步骤。为打破这一瓶颈，我们通过选择一个小的、具有代表性的核心集来重新定义FC基准测试的挑战，其唯一目的是保持FC算子的相对性能排名。我们将其形式化为一个保持排名的子集选择问题，并提出了结构感知对比学习核心集选择，一个用于选择这些核心集的自监督框架。SCLCS首先使用自适应Transformer来学习每个样本独特的FC结构。然后，它引入了一种新颖的结构扰动分数来量化这些学习结构在训练过程中的稳定性，从而识别代表基础连接原型的样本。最后，虽然SCLCS通过top-k排名识别稳定样本，但我们进一步引入了一种密度平衡采样策略作为必要的修正以促进多样性，确保最终的核心集在结构上稳健且在分布上具有代表性。在大型REST-meta-MDD数据集上，SCLCS仅用10%的数据就保留了真实模型排名，在排名一致性上比最先进的核心集选择方法高出23.2%。据我们所知，这是第一项将FC算子基准测试的核心集选择形式化的工作，从而使大规模算子比较成为计算神经科学中一个可行且不可或缺的部分。代码已在https://github.com/lzhan94swu/SCLCS上公开。