HyperGALE：通过具有可学习超边的超图门控注意力进行 ASD 分类
机器学习
2024-09-30 v1 人工智能
计算机视觉与模式识别
神经与进化计算
摘要
自闭症谱系障碍 (ASD) 是一种神经发育疾病，其特征是多样的社会认知挑战和重复行为模式。由于该谱系症状的多样性，识别可靠的基于脑成像的 ASD 生物标志物一直是一个持续的挑战。该领域的现有基线方法已在此方向上取得了重大进展，但在性能和可解释性方面仍有改进空间。我们提出 HyperGALE，它通过结合可学习的超边和门控注意力机制来构建超图。这种方法显著提升了模型解释复杂脑图数据的能力，为 ASD 生物标志物的表征提供了更深入的见解。在广泛的 ABIDE II 数据集上进行评估后，HyperGALE 不仅提高了可解释性，而且在关键性能指标上，与之前的基线方法和基础超图模型相比，均显示出统计学上显著的提升。HyperGALE 为 ASD 研究带来的进步，凸显了复杂基于图的技术在神经发育研究中的潜力。源代码和实现说明可在 GitHub 获取：https://github.com/mehular0ra/HyperGALE。
引用
@article{arxiv.2403.14484,
title = {HyperGALE: ASD Classification via Hypergraph Gated Attention with Learnable Hyperedges},
author = {Mehul Arora and Chirag Shantilal Jain and Lalith Bharadwaj Baru and Kamalaker Dadi and Bapi Raju Surampudi},
journal= {arXiv preprint arXiv:2403.14484},
year = {2024}
}
备注
Accepted to IJCNN 2024