22、从单图模板预测大脑多重图群体以提升一次性分类性能

从单图模板预测大脑多重图群体以提升一次性分类性能

1. 引言

在训练一次性学习模型时，一个核心挑战是可用数据样本对数据空间的代表性有限。在网络神经科学领域，大脑被表示为图，这类模型在对大脑状态（如典型与自闭症状态）进行分类时可能表现不佳。为解决这一问题，现有工作大多采用数据增强步骤来增加训练集的规模、多样性和代表性。然而，这些增强方法通常只能生成与输入样本大小相同的样本，例如从单个矩阵生成大脑连接矩阵。

目前，从单个大脑图生成能够捕捉节点（即解剖区域）对之间多种连接类型的大脑多重图的问题尚未得到解决。大脑多重图以张量形式编码，每个正面视图捕捉大脑感兴趣区域（ROI）对之间的特定连接类型，如形态或功能连接。本文提出了一种混合图神经网络（GNN）架构，即多重图生成网络（MultigraphGNet），旨在通过学习从单个模板图生成多连接大脑多重图来提升一次性大脑图分类器的性能。该架构主要有以下贡献：
1. 首次实现从单个图模板（即连接性大脑模板，CBT）生成大脑多重图。
2. 提出用于从单个CBT进行多重图增强的混合循环GNN架构。
3. 证明增强后的大脑多重图能在各种评估指标上提升独立分类器的性能。

2. 方法

2.1 数学符号

数学符号	定义
S	训练集
nr	大脑中感兴趣区域（ROI）的数量