CogGNN：基于认知图神经网络的生成式连接组学
机器学习
2025-09-16 v1
摘要
生成式学习已推动了网络神�学的发展，使我们能够完成诸如图超分辨率、时序图预测和多模态脑图融合等任务。然而，当前方法主要基于图神经网络（GNN），仅关注结构和拓扑属性，忽略了认知特征。为此，我们引入了首个具备认知能力的生成模型CogGNN，使图神经网络具备认知能力（例如视觉记忆），以生成保留认知特征的脑网络。虽然CogGNN具有广泛适用性，但我们呈现的CogGNN是特定变体，旨在集成视觉输入，这是脑功能中（如模式识别和记忆召回）关键因素。作为概念验证，我们使用该模型学习连接脑模板（CBTs），它们来自多视图脑网络的群体水平指纹。与忽略认知属性的先前工作不同，CogGNN生成的CBTs既在认知上也在结构上都具有意义。我们的贡献包括：（i）一个具备认知感知性的生成模型，具有基于视觉记忆的损失；（ii）一个具备协优化策略的CBTs学习框架，以产生良好居中、判别且认知增强的模板。大量实验表明，CogGNN在状态-of-the-art方法方面表现出色，为建立以认知为基础的脑网络建模奠定了坚实基础。
引用
@article{arxiv.2509.10864,
title = {CogGNN: Cognitive Graph Neural Networks in Generative Connectomics},
author = {Mayssa Soussia and Yijun Lin and Mohamed Ali Mahjoub and Islem Rekik},
journal= {arXiv preprint arXiv:2509.10864},
year = {2025}
}