SlepNet：基于谱的子图表示学习用于神经动力学
机器学习
2025-06-23 v1
摘要
图神经网络在图结构数据的机器学习中发挥了重要作用，尤其在节点分类和某些图分类任务方面，但在表示图上信号的模式方面应用有限。图上信号及子图的模式携带着包括神经科学在内的许多领域中重要的信息。神经信号具有时空模式、高维度且难以解码。图信号处理及其关联的GCN模型利用图傅里叶变换，无法有效表示图上空间或谱局部化信号模式。小波变换在此方面显示出前景，但提供非标准表征，无法严格局限于子图。本文提出SlepNet，一种新型GCN架构，采用Slepian基而非图傅里叶谐波。SlepNet中，Slepian谐波在特定相关子图上 optimally 集中信号能量，这些子图通过掩码自动学习。因此，它们能够产生神经活动的规范且高度解析的表征，聚焦于大脑被激活的区域。我们在三个fMRI数据集（覆盖认知和视觉任务）以及两个交通动力学数据集上评估了SlepNet，比较其性能于常规GNN和图信号处理构造。SlepNet在所有数据集上均优于基线方法。此外，SlepNet提取的信号模式表征在区分相似模式方面提供更高的解析度，从而将大脑信号瞬态表示为信息丰富的轨迹。本文表明，这些提取的轨迹表征可用于其他下游未训练的任务。因此，我们证明了SlepNet在时空数据中的预测与表示学习中都具有实用性。
引用
@article{arxiv.2506.16602,
title = {SlepNet: Spectral Subgraph Representation Learning for Neural Dynamics},
author = {Siddharth Viswanath and Rahul Singh and Yanlei Zhang and J. Adam Noah and Joy Hirsch and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:2506.16602},
year = {2025}
}