用于fMRI大数据分析的快速可扩展分布式深度卷积自编码器
分布式、并行与集群计算
2018-03-06 v3 机器学习
神经与进化计算
神经元与认知
机器学习
摘要
近年来，分析基于任务的fMRI（tfMRI）数据已成为理解大脑功能和网络的重要工具。然而，由于tfMRI数据规模庞大、其内在结构复杂以及缺乏潜在神经活动的真实基准，对tfMRI数据进行建模是困难且具有挑战性的。先前提出的数据建模方法，包括独立成分分析（ICA）和稀疏字典学习，仅提供了基于盲源分离的弱建立模型，其强假设是原始fMRI信号可以线性分解为时间序列成分及其对应的空间图。同时，即使计算硬件取得了技术进步，分析和学习来自不同受试者的大量tfMRI数据已被证明是非常苛刻且具有挑战性的。鉴于卷积神经网络（CNN）是一种从低层数据（如tfMRI时间序列）学习高层抽象的强大方法，在本工作中，我们提出了一种快速且可扩展的新型分布式深度卷积自编码器框架。该模型旨在同时学习tfMRI数据的复杂层次结构，并以分布式方式利用多个GPU的处理能力。为了实现这样的模型，我们在Apache Spark和TensorFlow库之上创建了一个增强的处理流水线，利用了非常大的GPU机器集群。将该模型应用于人类连接组计划（HCP）的实验数据表明，所提出的模型对于tfMRI大数据分析是高效且可扩展的，从而为未来从大规模fMRI大数据中数据驱动地提取层次化神经科学信息提供了可能。
引用
@article{arxiv.1710.08961,
title = {Fast and Scalable Distributed Deep Convolutional Autoencoder for fMRI Big Data Analytics},
author = {Milad Makkie and Heng Huang and Yu Zhao and Athanasios V. Vasilakos and Tianming Liu},
journal= {arXiv preprint arXiv:1710.08961},
year = {2018}
}
备注
This work is submitted to SIGKDD 2018