基于曲率的精炼因果图结构学习用于脑病分类
机器学习
2025-06-23 v1 人工智能
摘要
图神经网络（GNN）已用于建模大脑感兴趣区域（ROI）之间的关系，在脑病检测中展现出显著的性能提升。然而，这些框架大多未考虑脑ROI之间因果关系的内在联系，这种因果关系对于观察信号之间的因果互作比传统相关性值更为关键。我们提出了一种新型框架，称为CGB（Causal Graphs for Brains），用于脑病分类/检测，该框架基于因果发现方法、传递熵和几何曲率策略来建模精炼的脑网络。CGB揭示了ROI之间的因果关系，这些信息有助于提升脑病分类性能。此外，CGB还通过几何曲率策略进行图重构，将生成的因果图精炼为更具表征性的图，并减少GNN建模时潜在的信息瓶颈。我们的广泛实验表明，CGB在脑病数据集上的分类任务中超越了当前最先进的方法，平均F1分数均取得显著提升。
引用
@article{arxiv.2506.15708,
title = {Refined Causal Graph Structure Learning via Curvature for Brain Disease Classification},
author = {Falih Gozi Febrinanto and Adonia Simango and Chengpei Xu and Jingjing Zhou and Jiangang Ma and Sonika Tyagi and Feng Xia},
journal= {arXiv preprint arXiv:2506.15708},
year = {2025}
}