通过元学习技术，在跨数据集的情况下，训练大规模的大脑连通性图谱数据集，提出了基于元学习的数据高效训练策略，并通过图神经网络框架，包括变换式的跨数据集任务权重自适应等，得到了更高效和更稳定的性能，为了更好地研究疾病间和数据集间的相似性，提出了新的见解。

Jun, 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

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

介绍了一种名为 NeuroGraph 的开源 Python 软件包，它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估，可以用于机器学习研究高维功能性神经影像数据的分析和预测。

Jun, 2023

使用结构或功能连接来绘制人脑的连通图已成为神经影像分析中最普遍的范例之一。 本文提出 BrainGB 作为探索有效的 GNN 设计的基准，来实现开放和可复现的基于 GNN 的大脑网络分析研究。

Mar, 2022

本文介绍了一种新的元学习方法 Meta Networks（MetaNet），它通过快速参数化学习跨任务的元级知识，并在新概念上进行快速泛化，同时保持了以前所学的性能表现，在 Omniglot 和 Mini-ImageNet 基准测试中，我们的 MetaNet 模型实现了接近人类水平的表现，并在准确性上优于基线方法高达 6％。我们展示了 MetaNet 的几个有吸引力的性质，如泛化和持续学习。

Mar, 2017

我们提出了一种基于多视图 GNN 和对比学习的方法，用于对多模态脑网络进行分析，并通过在两个现实疾病数据集上的实验证明了该方法的有效性。

Jul, 2021

基于功能连接和神经影像数据，引入了门控图神经转换器（GGT）框架来预测认知指标，通过在费城神经发育队列（PNC）上进行实证验证，强调了该模型在识别与人类认知过程相关的关键神经连接方面的潜力。

Jan, 2024

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

使用静息态功能磁共振成像技术 (RsfMRI)，本文提出了一种名为 BrainRGIN 的新型建模架构，通过在静态功能网络连接矩阵上使用图神经网络，预测智力 (流体、晶体和总体智力)。在青少年大脑认知发展数据集上评估了我们的模型，证明了其在预测智力个体差异方面的有效性。我们的模型在智力预测任务的均方根误差和相关性得分上均优于现有的相关图形架构和其他传统的机器学习模型。中央额叶回对流体和晶体智力都有显著的贡献，表明它们在这些认知过程中起着关键的作用。总复合分数识别出一组与大脑相关的多样区域，凸显了总智力的复杂性。

Nov, 2023