学习脑区的高阶关系

从功能磁共振成像信号中发现脑区之间可靠且信息丰富的关系对于表型预测至关重要。当前的大多数方法无法准确表征这些相互作用，因为它们仅关注成对连接而忽略了脑区的高阶关系。我们提出这些高阶关系应具备最大信息量和最小冗余。然而，由于指数级的搜索空间和缺乏易于处理的目标函数，识别此类高阶关系具有挑战性且研究尚不充分。针对这一空白，我们提出了一种名为 HYBRID 的新方法，旨在从 fMRI 数据中提取 MIMR 高阶关系。HYBRID 采用 CONSTRUCTOR 来识别超边结构，并采用 WEIGHTER 为每条超边计算权重，从而避免在指数空间中进行搜索。HYBRID 通过一种名为多头丢弃瓶颈的创新信息瓶颈框架实现了 MIMR 目标，并具有理论保证。我们全面的实验证明了我们模型的有效性。在以 CPM（一种研究大脑连接的标准协议）衡量的超边质量方面，我们的模型比最先进的预测模型平均高出 11.2%。