2、深度学习与神经科学研究的创新融合：从脑连接数据到风险因素识别

深度学习与神经科学研究的创新融合：从脑连接数据到风险因素识别

在神经科学和深度学习的交叉领域，有两项重要的研究成果值得关注。一是基于脑连接数据的联邦时间依赖图神经网络（GNN）学习方法，二是通过排列测试将深度学习与假设驱动分析相结合的方法。这些研究为我们理解大脑功能和预测疾病提供了新的视角和工具。

联邦时间依赖GNN学习：4D - FED - GNN+算法

在脑连接数据的分析中，4D - FED - GNN+算法是一种创新的方法。它旨在从具有缺失时间点的脑连接数据中学习，以预测脑图的演化轨迹。

• 算法流程
  1. 服务器输入 ：接收各医院在不同时间点的GNN层权重 (W_t^k) 以及联邦模式 (f)。
  2. 医院输入 ：包括初始全局模型 (W_t)、本地数据 (D_k)、每轮平均的轮数 (n_a)、每轮模型交换的轮数 (n_e)、总轮数 (R) 和时间点数 (T)。
  3. 训练过程 ：
     • 对于每个时间点 (t) 从 1 到 (T)，进行 (R) 轮训练。
     • 随机选择部分医院 (H)。
     • 当 (f = 1) 时，各医院初始化本地模型 (W_t^k) 为 (W_t)，进行 (n_e) 轮训练后将 (W_t^k) 发送给服务器，服务器再将其发送给下一个医院。
     • 当 (f = 0) 时，各医院初始化本地模型 (W_t^k) 为 (W