HDGL:一种用于脑疾病分类的层次动态图表示学习模型
我们提出了一种新颖、简单、快速且高效的用于图像半监督学习的方法,该方法利用超高维度计算将数据样本编码成高维空间,并且通过 Hyper-dimensional Graph Learning 算法可以在图神经网络的节点表示上利用这种超高维度性质来实现信息聚合,从而取得与深度学习方法相媲美的预测性能,而无需进行计算昂贵的训练过程。
Feb, 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
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
本文回顾了动态图学习的问题和模型,分析和讨论了各种动态图的监督学习设置,并确定了现有模型的相似之处和不同之处,最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。
Apr, 2023
该研究论文介绍了一种新的模型 MNGL(Multi-state Network Graphical Lasso),通过将 CGL(coherent graphical lasso)与 GMM(Gaussian Mixture Model)相结合,成功地建模了多状态脑网络,通过使用合成和真实的 ADHD 200 fMRI 数据集,证明 MNGL 比最新的最先进替代方案发现更多解释性和逼真的结果。
Nov, 2023
提出了一种自动学习无领域知识下的层次异构图生成网络(H2G2-Net),以及一种端到端的强大的层次异构图表示方法,用于预测人类的认知状态,并在实验中验证了其在多模态生理信号方面的优越性。
Jan, 2024
本研究提出了 MM-GTUNets,一种基于图变换器的多模态图深度学习(MMGDL)框架,用于大规模脑疾病预测,并通过验证在 ABIDE 和 ADHD-200 两个公共多模态数据集上证明了其优越性能。
Jun, 2024
本文研究了交通流预测问题,通过建模交通网络和过去的交通状况来预测未来的交通情况。为了解决现有方法在复杂交通网络中表现不佳的问题,本文提出了一种名为动态超图结构学习 (DyHSL) 的新模型,该模型通过提取超图结构信息来学习非成对关系,并通过聚合来自关联超边的消息来更新每个节点的表示。为了捕捉道路网络中的高阶时空关系,介绍了互动图卷积块,进一步模拟每个节点的邻域交互。最后,将这两个视角整合到一个综合的多尺度相关性提取模块中,该模块通过不同尺度的时间池化来建模不同的时间模式。对四个流行的交通基准数据集进行了大量实验证明了我们提出的 DyHSL 与广泛的竞争基准相比的有效性。
Sep, 2023
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