通过样本选择学习用图神经网络预测认知分数
机器学习
2022-05-27 v3 神经元与认知
摘要
分析智力与神经活动之间的关系，对于理解健康与疾病状态下人脑的工作原理至关重要。在现有文献中，功能脑连接组已成功地用于通过机器学习模型在健康和患病队列中预测诸如智商（IQ）分数等认知指标。然而，现有方法求助于通过向量化来展平脑连接组（即图），这忽略了其拓扑属性。为应对此局限并受新兴的图神经网络（GNNs）启发，我们设计了一种新颖的回归 GNN 模型（即 RegGNN）用于从脑连接性预测 IQ 分数。在此基础上，我们引入了一种新颖的、完全模块化的样本选择方法，以为我们的目标预测任务选择最佳学习样本。然而，由于此类深度学习架构训练计算代价高昂，我们进一步提出了一种基于学习的样本选择方法，该方法学习如何选择在未见样本上具有最高预期预测能力的训练样本。为此，我们利用连接组（即其邻接矩阵）位于对称正定（SPD）矩阵锥中的事实。我们在全量表和言语 IQ 预测上的结果在自闭症谱系障碍队列中优于对比方法，并在神经典型受试者中使用 3 折交叉验证取得了有竞争力的性能。此外，我们展示了我们的样本选择方法可推广到其他基于学习的方法，这显示了其超越我们 GNN 架构的有用性。
引用
@article{arxiv.2106.09408,
title = {Predicting cognitive scores with graph neural networks through sample selection learning},
author = {Martin Hanik and Mehmet Arif Demirtaş and Mohammed Amine Gharsallaoui and Islem Rekik},
journal= {arXiv preprint arXiv:2106.09408},
year = {2022}
}
备注
Corrected two typos (dimension of weight matrix and i -> i+1) in description of GNN architecture