DBGDGM：动态脑图深度生成模型
机器学习
2023-01-30 v1 机器学习
摘要
图是从功能磁共振成像 (fMRI) 数据导出的脑活动的自然表示。众所周知，解剖脑区簇（称为功能连接网络 (FCNs)）编码的时间关系可作为理解脑功能与功能障碍的有用生物标记。然而，先前的工作忽略脑的时间动态并聚焦于静态图。在本文中，我们提出一种动态脑图深度生成模型 (DBGDGM)，其同时将脑区聚类为随时间演化的社群并学习动态无监督节点嵌入。具体而言，DBGDGM 将脑图节点表示为从随时间演化的社群分布中采样的嵌入。我们使用从受试体与节点嵌入以及过去社群分配学习的神经网络来参数化该社群分布。实验表明 DBGDGM 在图生成、动态链接预测上优于基线，且在图分类上具可比性。最后，对所学社群分布的分析揭示了其与神经科学文献中报道的已知 FCNs 的重叠。
引用
@article{arxiv.2301.11408,
title = {DBGDGM: Dynamic Brain Graph Deep Generative Model},
author = {Alexander Campbell and Simeon Spasov and Nicola Toschi and Pietro Lio},
journal= {arXiv preprint arXiv:2301.11408},
year = {2023}
}