通过 GraphRNN 链接预测提升自闭症判别水平
机器学习
2022-02-22 v1 神经与进化计算
摘要
数据集是深度学习用于自闭症研究的关键。然而，由于当前数据集（如 ABIDE（自闭症脑成像数据交换））样本量少且异质性强，识别研究尚不够有效。以往研究多聚焦于优化特征选择方法与数据增强以提升准确率。本文基于后者技术，通过 GraphRNN 学习真实脑网络的边分布，并生成对判别模型具激励作用的合成数据。实验结果表明，原始数据与合成数据的结合大幅提升了神经网络的判别力。例如，效果最显著的是 50 层 ResNet，且最佳生成模型为 GraphRNN，其相较无生成数据增强的模型参照实验准确率提升 32.51%。由于生成数据来源于所学习的自闭症患者与典型对照功能连接的边连接分布，却比原始数据效果更佳，这对进一步理解疾病机制与发展具有建设性意义。
引用
@article{arxiv.2202.09538,
title = {Improving the Level of Autism Discrimination through GraphRNN Link Prediction},
author = {Haonan Sun and Qiang He and Shouliang Qi and Yudong Yao and Yueyang Teng},
journal= {arXiv preprint arXiv:2202.09538},
year = {2022}
}