基于残差嵌入相似度的网络选择用于从单次观测预测脑网络演化轨迹
计算机视觉与模式识别
2020-09-24 v1 机器学习
摘要
尽管现有的预测框架能够处理欧几里得结构数据（即脑图像），但它们可能无法推广到诸如脑网络之类的几何非欧几里得数据。此外，这些方法在样本选择步骤中根植于使用欧几里得或学习到的向量化训练与测试脑网络之间的相似度度量。这种样本连接组表示可能包含无关和冗余特征，从而误导训练样本选择步骤。无疑，这未能利用并保留脑连接组的拓扑结构。为克服这一主要缺陷，我们提出基于残差嵌入相似度的网络选择（RESNets），用于从单个时间点预测脑网络演化轨迹。RESNets首先使用对抗性连接组嵌入网络学习每个训练和测试样本的紧凑几何嵌入。这通过图卷积网络很好地降低了脑网络的高维性，同时保留了其拓扑属性。接下来，为计算受试者间的相似性，我们引入连接性脑模板（CBT）这一概念，即一个固定的网络参考，并进一步将每个训练和测试网络表示为在嵌入空间中相对于参考CBT的偏差。因此，我们通过比较其相对于预定义CBT的学习残差嵌入，在基线处选择与被试测试者最相似的训练受试者。一旦在基线处选出最佳训练样本，我们简单地对其在随访时间点的相应脑网络取平均，以预测测试网络的演化轨迹。我们在健康与异常脑网络上的实验证明了我们所提方法相较于RESNets的消融版本和传统方法的成功。
引用
@article{arxiv.2009.11110,
title = {Residual Embedding Similarity-Based Network Selection for Predicting Brain Network Evolution Trajectory from a Single Observation},
author = {Ahmet Serkan Goktas and Alaa Bessadok and Islem Rekik},
journal= {arXiv preprint arXiv:2009.11110},
year = {2020}
}