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

本文介绍了一种用于分类脑网络的新方法：通过提取对比子图来建立简单而可解释的模型，该方法在分类准确度上表现优异，并在分析自闭症谱系障碍儿童和正常儿童的脑网络数据集时发现了与神经科学文献中的背景知识相符的有趣模式。

Jun, 2020

用 Deep Signed Brain Networks（DSBN）建立了一种新的图学习框架，以连接两种脑网络，以预测临床表型和神经退行性疾病，结果显示其优于其他现有方法。

May, 2022

在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

Oct, 2022

本文提出了一个名为 BN-GNN 的新型脑网络表示框架，使用深度强化学习技术训练元策略以自动确定给定脑网络所需的最优特征聚合数量（反映在 GNN 层数中），并在八个现实世界脑网络数据集上进行了广泛实验。结果显示，相对于传统 GNN，在不同的脑网络分析任务上，BN-GNN 对性能的提升更加显著。

Mar, 2022

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

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

研究使用图神经网络分析脑网络结构数据中与某些神经系统疾病相关的生物标志物。提出了一种可解释的 GNN 框架，其中包括一种新颖的显著区域选择机制和设计新颖的规则化池化层，以突显感兴趣区域（ROI），从而推断哪些 ROI 重要于识别某些疾病。在自闭症神经影像数据集上应用 PR-GNN 框架并展示其在分类准确性方面的优越性及与以往自闭症神经影像现出的生物标志物结果的高度一致性。

Jul, 2020

本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

Aug, 2018

我们提出了一种分层动态图表示学习模型 (HDGL)，该模型可以构建大脑网络图，并学习它们的空间和时间嵌入，并在嵌入学习后形成人群图并进行分类。通过在 ABIDE 和 ADHD-200 数据集上评估该模型的性能，结果显示在多种评估指标上相较于其他最先进的模型，该模型有所改善。

Nov, 2023