提出一种可解释性的分层符号图表示学习模型，用于从脑功能网络中提取全局表示以用于不同的预测任务，并且通过数据扩充进一步提高其性能。通过在 HCP 和 OASIS 数据集上进行广泛实验的结果表明，该模型在预测任务中表现出优越性，并使用图形显着性图来检测和解释表型生物标志物。

Jul, 2022

本文提出了一种对脑网络进行图神经网络分析的方法，名为 ContrastPool，以满足功能性磁共振成像数据的特殊需求，并在神经退行性疾病的研究中展示了其优势。

Jul, 2023

提出一种名为 Brain-SubGNN 的新颖图形表示网络，用于挖掘和增强基于 T1-MRI 的关键子图，该网络提供了子图级别的解释，增强了图形分析的可解释性和洞察力，通过提取节点特征和节点之间的相关矩阵构建任务导向的脑网络，并自适应地识别和增强关键的子图，捕捉回路和邻居子图，反映远程连接的回路拓扑和局部变化，同时保持局部和全局脑属性，广泛的实验证实了 Brain-SubGNN 的有效性和优势，证明其作为了解和诊断早期痴呆症的强大工具的潜力。

Mar, 2024

该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

Jun, 2022

基于视觉概念的神经元激活依赖和功能连接，我们提出了一种新的方法来提取深度视觉模型计算图的子图，从而防御大规模预训练模型的对抗攻击。

Apr, 2024

本文提出了一种新颖的利用多种辅助视图来挖掘有效的子图特征进行分类的方案，称为 gMSV，它可以显著提高神经系统疾病分类性能并与疾病诊断有关。

Aug, 2015

本文提出了一种理解深度神经网络的新视角，通过提取类特定的功能子网络来实现可解释的解缠结形式，并将其应用于视觉解释和对抗性示例检测任务中。实验证明，这种直观的操作可以有效地提高基于梯度的解释方法的解释显著性准确性，并增加基于置信度分数的对抗性示例检测方法的检测率。

Oct, 2019

探索人脑的复杂结构对于了解其功能和诊断脑部疾病至关重要。最近通过将人脑建模为具有图结构的模式来研究，其中不同的脑区表示为节点，这些区域之间的功能关系表示为边。此外，图神经网络（GNNs）在挖掘图结构数据方面显示出明显优势。近来，开发用于脑部疾病分析的 GNNs 进行脑图表示学习已引起越来越多的关注。然而，目前缺乏对该领域中当前研究方法的系统调查。本文旨在通过回顾利用 GNNs 进行脑图学习的研究工作来填补这一空白。我们首先介绍基于常见神经影像数据的脑图建模过程。随后，我们根据生成的脑图类型和目标研究问题对目前的工作进行系统分类。为了使这项研究能够为更广泛的研究人员群体所用，我们概述了代表性的方法和常用数据集，并提供其实施源。最后，我们对未来研究方向给出了我们的见解。该调查的存储库可访问 https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs。

Jun, 2024

研究使用最大熵建模来发现具有统计学显著性的子图，以描述图群组之间的相似性和差异性，验证了该方法在实践中的良好性能。

Dec, 2021

本文介绍了一种新的框架，使用图神经网络 (GNNs) 中的有效设计来稀疏化脑图，以优化脑图分类任务。该新模型称作 “可解释的图稀疏化”（IGS），通过减少脑图的边数（最多 55.0%），提高了最多 5.1% 的分类性能，并提出了新的脑科学解释。

Jun, 2023