基于群体驱动模板的单代表样本学习及其在脑连接分类与演化预测中的应用
神经与进化计算
2021-10-22 v1 计算机视觉与模式识别
机器学习
摘要
少样本学习提出了一种具有挑战性的范式，即在代表目标类的少量训练样本上训练判别模型以进行分类。然而，基于深度学习的分类方法并不适合此类学习，因为它们需要大量训练数据——更不用说单样本学习了。近来，图神经网络（GNN）被引入网络神经科学领域，其中脑连接被编码为图。然而，鉴于神经影像数据集的稀缺性（尤其在罕见疾病和低资源临床机构中），此类吞噬数据的架构可能在学习目标任务时失败。在本文中，我们采用一种截然不同的训练 GNN 的方法，旨在以单个样本学习并取得最佳性能——这是一项艰巨的挑战。具体而言，我们提出了首个单样本范式，其中 GNN 在单一群体驱动模板（即连接脑模板（CBT））上训练。CBT 是脑图群体的紧凑表示，捕获跨个体共享的独特连接模式。它类似于神经影像数据集的脑图像图谱。使用单一代表 CBT 作为训练样本，我们减轻了 GNN 模型的训练负担，同时提升了其在多种分类与回归任务上的性能。我们证明，我们的方法在下游分类与时变脑图数据预测任务上显著优于基准单样本学习方法，并与全量训练的传统训练策略相竞争。我们的源代码可在 https://github.com/basiralab/one-representative-shot-learning 找到。
引用
@article{arxiv.2110.11238,
title = {One Representative-Shot Learning Using a Population-Driven Template with Application to Brain Connectivity Classification and Evolution Prediction},
author = {Umut Guvercin and Mohammed Amine Gharsallaoui and Islem Rekik},
journal= {arXiv preprint arXiv:2110.11238},
year = {2021}
}