利用多图脑数据量化图神经网络的可复现性
机器学习
2021-09-07 v1
摘要
图神经网络（GNNs）在解决计算机视觉、计算机辅助诊断及相关领域的若干问题中经历了前所未有的激增。尽管先前研究聚焦于提升模型精度，量化 GNN 所识别最具判别力特征的可复现性仍是一个未解决的问题，尤其引发对其在临床应用中可靠性的担忧。具体而言，生物标记物跨临床数据集的可复现性以及类间（如健康与异常脑）的分布偏移，对揭示疾病潜在机制及推动个性化治疗发展至关重要。受这些问题驱动，我们首次提出基于可复现性的 GNN 选择（RG-Select），一种通过量化不同模型间共享的最具判别力特征（即生物标记物）来评估 GNN 可复现性的框架。为确保框架稳健性，可复现性评估涵盖训练策略与数据扰动等不同因素的变化。尽管存在这些挑战，我们的框架在不同训练策略与多种临床数据集上成功得出可复现结论。因此，我们的发现可为计算机辅助诊断与预后任务中生物标记物可信度与可靠性评估方法的发展铺平道路。RG-Select 代码发布于 GitHub：https://github.com/basiralab/RG-Select。
引用
@article{arxiv.2109.02248,
title = {Quantifying the Reproducibility of Graph Neural Networks using Multigraph Brain Data},
author = {Mohammed Amine Gharsallaoui and Islem Rekik},
journal= {arXiv preprint arXiv:2109.02248},
year = {2021}
}