面向可解释大脑网络分析的监督式深度多模态矩阵分解
机器学习
2026-05-14 v1
摘要
我们提出监督式深度多模态矩阵分解(SD³MF)，一个可解释的框架，用于整合大脑网络分析，将对称非负矩阵三分解(SNMTF)从无监督单图聚类推广到监督预测，以处理来自多个模态图的群体数据。SD³MF学习每个模态的深层分解结构，同时获得共享的潜在表示，以跨视图对齐受试者。编码器-解码器公式联合优化图重建和监督预测，同时通过自适应权重实现数据驱动的多模态融合。通过以社区级别的相互作用矩阵表示每个受试者，模型产生可解释且具辨识力的特征。多模态连接组数据上的实验表明，SD³MF consistently优于强大的深度学习基线，如CNN和GNN，同时提供生物学可解释见解。为可重复性，代码已提供于：https://github.com/amjadseyedi/SD3MF。
引用
@article{arxiv.2605.13312,
title = {Supervised Deep Multimodal Matrix Factorization for Interpretable Brain Network Analysis},
author = {Amjad Seyedi and Lifang He and Songlin Zhao and Akwum Onwunta and Nicolas Gillis},
journal= {arXiv preprint arXiv:2605.13312},
year = {2026}
}