BrainHGT：用于可解释脑网络分析的层次化图变换器
机器学习
2025-11-25 v1 人工智能
摘要
图变换器因其建模图结构与复杂节点关系能力，在脑网络分析中展现出巨大潜力。现有方法通常将脑部建模为平坦网络，忽视其模块化结构；其注意力机制则将脑区所有连接视为等价，忽略距离相关的节点连接模式。然而，脑的信息处理是层次化的，涉及局部与远程区域间的相互作用、区域与亚功能模块之间的相互作用，以及功能模块之间的相互作用。这种层次化机制使脑能够高效整合局部计算与全局信息流，支撑复杂认知功能的实现。为此，我们提出 BrainHGT，一种模拟脑自然信息从局部区域到全局社区的层次化图变换器。具体设计了新颖的长短程注意编码器，通过平行通路处理密集局部相互作用和稀疏远程连接，从而有效缓解过度全局化问题。为进一步捕捉脑的模块化架构，我们设计了先验引导的聚类模块，利用跨注意力机制将脑区聚合为功能社区，并借助神经解剖先验引导聚类过程，提升生物学合理性与可解释性。实验结果表明，我们的方法显著提升了疾病识别性能，能可靠捕获脑的亚功能模块，显示出良好的可解释性。
引用
@article{arxiv.2511.17604,
title = {BrainHGT: A Hierarchical Graph Transformer for Interpretable Brain Network Analysis},
author = {Jiajun Ma and Yongchao Zhang and Chao Zhang and Zhao Lv and Shengbing Pei},
journal= {arXiv preprint arXiv:2511.17604},
year = {2025}
}