基于霍奇-拉普拉斯算子的异质图卷积神经网络用于脑功能数据
计算机视觉与模式识别
2023-02-24 v1
摘要
本研究提出一种新颖的异质图卷积神经网络（HGCNN），以处理区域和跨区域层面的复杂脑功能磁共振成像（fMRI）数据。我们通过引入第k阶霍奇-拉普拉斯（HL）算子，给出了异质图上谱滤波器的一般形式。特别地，我们提出了HL谱滤波器的拉盖尔多项式近似，并证明了其在图上的空间局部性与多项式阶数相关。此外，基于单纯形图上边界算子的双射性质，我们引入了一种通用的拓扑图池化（TGPool）方法，可用于任意维度的单纯形。本研究设计了HL-节点、HL-边和HL-HGCNN神经网络，分别学习图节点、边以及两者层面的信号表示。我们的实验使用来自青少年大脑认知发展（ABCD；n=7693）研究的fMRI数据来预测一般智力。结果表明，当将功能脑连接作为特征时，HL-边网络优于HL-节点网络。HL-HGCNN超越了当前最先进的图神经网络（GNN）方法，如GAT、BrainGNN、dGCN、BrainNetCNN和超图神经网络。从HL-HGCNN学到的功能连接特征在解释与一般智力相关的神经回路方面具有意义。
引用
@article{arxiv.2302.09323,
title = {Heterogeneous Graph Convolutional Neural Network via Hodge-Laplacian for Brain Functional Data},
author = {Jinghan Huang and Moo K. Chung and Anqi Qiu},
journal= {arXiv preprint arXiv:2302.09323},
year = {2023}
}