SENDER：用于提取人脑典型、元与子功能连接的半非线性深度高效重构器
机器学习
2022-09-14 v1 图像与视频处理
神经元与认知
摘要
深度线性与非线性学习方法已成为通过功能磁共振信号研究人脑功能连接等层次特征的重要机器学习方法；然而，存在三个主要缺陷：1). 对于深度线性学习方法，尽管所识别的功能连接层次易于解释，但难以揭示更多层次的功能连接；2). 对于深度非线性学习方法，尽管非全连接架构降低了神经网络结构的复杂度，易于优化且不易过拟合，但功能连接层次难以解释；3). 重要的是，深度线性/非线性方法即使在浅层也难以检测元功能连接与子功能连接；4). 与大多数传统深度非线性方法（如深度神经网络）一样，超参数必须手动调优，耗时费力。因此，本工作中我们提出一种名为半非线性深度高效重构（SENDER）的新型深度混合学习方法，以克服上述缺陷：1). SENDER 利用多层堆叠结构用于线性学习方法以检测典型功能连接；2). SENDER 对非全连接架构实施非线性学习方法，通过浅层与更深层揭示元功能连接；3). SENDER 引入所提出的背景分量以提取子功能连接；4). SENDER 采用一种新颖的秩缩减算子以自动实现超参数调优。为进一步验证有效性，我们使用真实人脑功能磁共振成像数据将 SENDER 与四种同类方法进行比较。
引用
@article{arxiv.2209.05627,
title = {SENDER: SEmi-Nonlinear Deep Efficient Reconstructor for Extraction Canonical, Meta, and Sub Functional Connectivity in the Human Brain},
author = {Wei Zhang and Yu Bao},
journal= {arXiv preprint arXiv:2209.05627},
year = {2022}
}
备注
28 pages, 6 figures. arXiv admin note: substantial text overlap with arXiv:2205.10264, arXiv:2205.10374