深度强化学习引导的图神经网络用于脑网络分析
机器学习
2022-07-26 v5 人工智能
神经与进化计算
神经元与认知
摘要
现代神经影像技术，如扩散张量成像（DTI）和功能磁共振成像（fMRI），使我们能将人脑建模为脑网络或连接组。捕捉脑网络的结构信息与层次模式对于理解脑功能和疾病状态至关重要。近来，图神经网络（GNN）颇具前景的网络表示学习能力促使许多基于 GNN 的脑网络分析方法被提出。具体而言，这些方法应用特征聚合与全局池化，将脑网络实例转换为用于下游脑网络分析任务的有意义低维表示。然而，现有基于 GNN 的方法常忽视不同受试者的脑网络可能需要不同的聚合迭代次数，并使用固定层数 GNN 学习所有脑网络。因此，如何充分释放 GNN 潜力以促进脑网络分析仍非易事。为解决该问题，我们提出一种新颖的脑网络表示框架 BN-GNN，其为每个脑网络搜索最优 GNN 架构。具体地，BN-GNN 采用深度强化学习（DRL）训练元策略，自动确定给定脑网络所需的最优特征聚合次数（体现于 GNN 层数）。在八个真实脑网络数据集上的大量实验表明，我们提出的 BN-GNN 在不同脑网络分析任务上提升了传统 GNN 的性能。
引用
@article{arxiv.2203.10093,
title = {Deep reinforcement learning guided graph neural networks for brain network analysis},
author = {Xusheng Zhao and Jia Wu and Hao Peng and Amin Beheshti and Jessica J. M. Monaghan and David McAlpine and Heivet Hernandez-Perez and Mark Dras and Qiong Dai and Yangyang Li and Philip S. Yu and Lifang He},
journal= {arXiv preprint arXiv:2203.10093},
year = {2022}
}