基于多变量时间序列的深度动态有效连接估计
机器学习
2022-10-04 v3
摘要
近年来，将数据表示为图的方法（如图神经网络（GNN））已成功用于学习数据表示与结构，以解决分类和链接预测问题。此类方法的应用广泛且多样，但当前大多数工作依赖于静态图的假设。这一假设对于许多高度动态的系统并不成立，其底层连接结构是非平稳的且大多未被观测到。在这些情况下使用静态模型可能导致次优性能。相反，对图结构随时间的变化进行建模可提供关于系统的信息，其应用超越分类。此类工作大多不学习有效连接，而是关注节点间的互相关以生成无向图。无向图无法捕捉交互的方向，而这在包括神经科学在内的许多领域中至关重要。为弥补这一差距，我们提出了通过神经网络训练的动态有效连接估计（DECENNT），一种新颖的模型，用于学习由下游分类/预测任务诱导出的可解释有向动态图。DECENNT 在五个不同任务上优于最先进（SOTA）方法，并推断出可解释的任务特定动态图。从功能神经影像数据推断出的动态图与现有文献吻合良好，并提供了额外信息。此外，DECENNT 的时间注意力模块从多变量时间序列数据中识别出对预测性下游任务至关重要的时间间隔。
引用
@article{arxiv.2202.02393,
title = {Deep Dynamic Effective Connectivity Estimation from Multivariate Time Series},
author = {Usman Mahmood and Zening Fu and Vince Calhoun and Sergey Plis},
journal= {arXiv preprint arXiv:2202.02393},
year = {2022}
}
备注
Accepted at IJCNN 2022