Brain-HGCN：用于脑功能网络分析的双曲图卷积网络
计算机视觉与模式识别
2026-03-03 v2
摘要
功能性磁共振成像（fMRI）揭示了具有对认知处理至关重要的层次拓扑的复杂脑功能网络。标准欧几里得图神经网络（GNNs）往往因固有的空间约束而难以在不产生高失真的情况下表示这些层次结构。我们提出 Brain-HGCN，一个基于双曲几何的几何深度学习框架，利用负曲率空间以高保真度建模脑网络层次结构。基于 Lorentz 模型，我们的框架采用一种新颖的双曲图注意力层与符号聚合机制，以区分处理兴奋性和抑制性连接。此外，我们通过几何上严谨的 Fréchet 均值学习稳健的图级表示以进行图读出。在两个大规模 fMRI 数据集上的精神疾病分类实验表明，Brain-HGCN 显著优于最先进的欧几里得基线。这项工作通过开创 fMRI 分析的新几何范式，展示了双曲 GNN 在计算精神病学中的潜力。
引用
@article{arxiv.2509.14965,
title = {Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis},
author = {Junhao Jia and Yunyou Liu and Cheng Yang and Yifei Sun and Feiwei Qin and Changmiao Wang and Yong Peng},
journal= {arXiv preprint arXiv:2509.14965},
year = {2026}
}
备注
The paper has been accepted by ICASSP 2026