脑图构建的数据中心设计空间的定义与基准测试
机器学习
2025-08-19 v1 人工智能
神经元与认知
摘要
从功能性MRI（fMRI）数据构建脑图对图形机器学习在神经成像中起关键作用。然而，当前实践常依赖刚性管道，忽略脑图构建中关键数据中心选择。本工作采用数据中心AI视角，系统性地定义并基准测试脑图构建的数据中心设计空间，与主要以模型为中心的先前工作形成对比。我们将该设计空间组织为三个阶段：时序信号处理、拓扑提取和图特征化。我们的贡献在于评估现有和修改技术组合对下游性能的影响，而非提供新组件。具体而言，我们研究高�幅BOLD信号滤波、连接性的稀疏化和统一策略、替代相关性指标以及多视图节点和边特征，例如纳入滞后动力学。在HCP1200和ABIDE数据集上的实验表明，数据中心置信的配置在标准管道上 consistently 改进了分类准确率。这些发现凸显了上游数据决策的关键作用，强调了系统性探索图基于神经成像的数据中心设计空间的重要性。我们的代码可在https://github.com/GeQinwen/DataCentricBrainGraphs获取。
引用
@article{arxiv.2508.12533,
title = {Defining and Benchmarking a Data-Centric Design Space for Brain Graph Construction},
author = {Qinwen Ge and Roza G. Bayrak and Anwar Said and Catie Chang and Xenofon Koutsoukos and Tyler Derr},
journal= {arXiv preprint arXiv:2508.12533},
year = {2025}
}