基于分层带符号图池化模型的对比脑网络学习
机器学习
2022-07-19 v1 人工智能
神经元与认知
摘要
近来脑网络被广泛用于研究脑动态、脑发育与脑疾病。针对脑功能网络的图表示学习技术可促进对临床表型和神经退行性疾病新生物标志物的发现。然而，当前图学习技术在脑网络挖掘上存在若干问题。首先，多数现有图学习模型为无符号图设计，阻碍了对许多带符号网络数据（如脑功能网络）的分析。同时，脑网络数据的不足限制了模型在临床表型预测上的性能。此外，现有图学习模型鲜有可解释者，可能难以为模型结果提供生物学洞见。在此，我们提出一种可解释的分层带符号图表示学习模型，从脑功能网络中提取图级表示，可用于不同预测任务。为进一步提升模型性能，我们还提出一种用于对比学习的功能脑网络数据增强新策略。我们使用来自 HCP 和 OASIS 的数据，在不同分类与回归任务上评估该框架。大量实验结果表明所提模型优于若干最先进（state-of-the-art）技术。此外，我们利用从这些预测任务导出的图显著性图，展示对表型生物标志物的检测与解释。
引用
@article{arxiv.2207.07650,
title = {Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model},
author = {Haoteng Tang and Guixiang Ma and Lei Guo and Xiyao Fu and Heng Huang and Liang Zhang},
journal= {arXiv preprint arXiv:2207.07650},
year = {2022}
}