基于注意力的变分框架用于联合与个体组件学习：应用于脑网络分析
机器学习
2026-01-27 v1 计算机视觉与模式识别
机器学习
摘要
脑组织日益通过多种成像模态进行表征，尤其是结构连接（SC）和功能连接（FC）。将这些本质上各异且互补的数据源集成对于揭示驱动行为表型的跨模态模式至关重要。然而，有效的集成受限于连接组数据的高维度和非线性、复杂的 SC-FC 非线性耦合，以及难以解缪共享信息与模态特定变异的挑战。为了应对这些问题，我们提出了跨模态联合-个体变分网络（CM-JIVNet），一个统一的概率框架，旨�从配对 SC-FC 数据集中学习因子化潜在表示。我们的模型利用多头注意力融合模块捕捉非线性跨模态依赖关系，同时隔离独立的、模态特定的信号。在 Human Connectome Project Young Adult（HCP-YA）数据上验证的 CM-JIVNet 在跨模态重构和行为特征预测方面表现出优越性能。通过有效地解缪联合特征空间和个体特征空间，CM-JIVNet 为大规模多模态脑分析提供了一个稳健、可解释且可扩展的解决方案。
引用
@article{arxiv.2601.17073,
title = {Attention-Based Variational Framework for Joint and Individual Components Learning with Applications in Brain Network Analysis},
author = {Yifei Zhang and Meimei Liu and Zhengwu Zhang},
journal= {arXiv preprint arXiv:2601.17073},
year = {2026}
}