机构名称：
¥ 1.0
摘要 — 近年来，脑网络被广泛用于研究脑动力学、脑发育和脑疾病。脑功能网络上的图形表示学习技术有助于发现临床表型和神经退行性疾病的新型生物标志物。然而，当前的图形学习技术在脑网络挖掘方面存在几个问题。首先，大多数当前的图形学习模型都是为无符号图设计的，这阻碍了许多有符号网络数据（例如脑功能网络）的分析。同时，脑网络数据的不足限制了模型在临床表型预测方面的表现。此外，目前的图形学习模型很少是可解释的，可能无法为模型结果提供生物学见解。在这里，我们提出了一个可解释的分层有符号图形表示学习模型来从脑功能网络中提取图形级表示，可用于不同的预测任务。为了进一步提高 17 模型性能，我们还提出了一种新策略来增强功能性脑网络数据以进行对比学习。19 我们使用来自 HCP 和 OASIS 的数据在不同的分类和 20 回归任务上评估了该框架。我们从大量实验中得出的结果证明了所提出的模型与几种最先进的技术相比的优越性。23 此外，我们使用从这些 24 预测任务中得出的图形显着性图来展示对 25 表型生物标志物的检测和解释。26
通过分层符号图池模型进行对比脑网络学习
主要关键词
相关文件推荐
