利用多侧视图挖掘脑网络以识别神经障碍

近年来，从图数据中挖掘判别性子图模式引起了极大兴趣。它在疾病诊断、神经成像等方面有广泛应用。大多数子图挖掘研究仅关注图表示本身。然而，在许多现实应用中，侧信息随图数据一同可用。例如，对于神经障碍识别，除了源自神经成像数据的脑网络外，还可能为每个受试者记录数百项临床、免疫、血清学和认知测量。这些测量构成了多个侧视图，编码了大量用于诊断目的的补充信息，却常被忽略。本文中，我们研究利用多侧视图的判别性子图选择问题，并提出一种新颖解决方案，通过探索多个侧视图为图分类寻找最优子图特征集合。我们推导了一个名为gSide的特征评估准则，以基于侧视图估计子图模式的有用性。随后我们开发了称为gMSV的分支定界算法，通过整合子图挖掘过程与判别性特征选择过程来高效搜索最优子图特征。使用脑网络对神经障碍进行的图分类任务的实证研究表明，由多侧视图引导的子图选择方法所选出的子图模式能有效提升图分类性能，并且与疾病诊断相关。