基于累积自回归自注意力的脑动力学建模

多元动力过程通常可以直观地描述为表示各个时间序列的组分之间的加权连接图。正如脑成像文献中所展示的，即使将该图简单表示为皮尔逊相关矩阵也可能具有信息量和预测性。然而，学界普遍预期强大的图神经网络（GNNs）在类似设定下应有更好表现。在本工作中，我们提出了一个比深层 GNNs 浅得多却能在脑成像应用的预测精度上超越它们的模型。我们的模型以端到端方式学习个体时间序列的自回归结构，并通过自注意力机制在所学表征之间估计有向连接图。将该模型作为患者与对照组之间的分类器进行监督训练，得到一个能生成有向连接图并突出对每个受试者具有预测性的时间序列组分的模型。我们在分类精神分裂症患者的功能神经成像数据集和对照组上展示了我们的结果。