基于图对比学习与图 Transformer 的脑网络分类

功能脑网络的动态表征对于阐明人脑功能机制具有重要意义。尽管图神经网络在功能网络分析中取得了显著进展，但数据稀缺和监督不足等挑战依然存在。为了解决训练数据有限和监督不足的局限性，本文提出了一种名为 PHGCL-DDGformer 的新模型，该模型将图对比学习与图 Transformer 相结合，有效增强了脑网络分类任务的表示学习能力。为了克服现有图对比学习方法在脑网络特征提取中的限制，实施了一种结合属性掩码和边扰动的自适应图增强策略以进行数据增强。随后，构建了双域图 Transformer（DDGformer）模块以整合局部和全局信息，其中图卷积网络聚合邻域特征以捕捉局部模式，而注意力机制提取全局依赖关系。最后，建立了图对比学习框架以最大化正负对之间的一致性，从而获得高质量的图表示。在真实世界数据集上的实验结果表明，PHGCL-DDGformer 模型在脑网络分类任务中优于现有的 SOTA 方法。