题目: Explainable Classification of Brain Networks via Contrast Subgraphs

摘要:

挖掘人脑网络以发现可用于区分健康个体和受某些神经障碍影响的患者的模式,是神经科学的一项基本任务。学习简单的和可解释的模型和精确的分类一样重要。本文提出了一种基于对比子图提取的脑网络分类方法。一组顶点其导出子图在一类图中密集而在另一类图中稀疏。我们正式地定义了这个问题,并提出了一个提取对比子图的算法解决方案。然后,将方法应用到一个大脑网络数据集上,这个数据集包括患有自闭症谱系障碍的儿童和正常发育的儿童。我们的分析证实了所发现的模式的趣味性,这与神经科学文献中的背景知识相吻合。对其它分类任务的进一步分析证实了该方法的简单性、可靠性和高可解释性,这也显示出较复杂的先进方法优越的分类精度。

成为VIP会员查看完整内容
20

相关内容

【KDD2020】自适应多通道图卷积神经网络
专知会员服务
119+阅读 · 2020年7月9日
可解释强化学习,Explainable Reinforcement Learning: A Survey
专知会员服务
129+阅读 · 2020年5月14日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
【NeurIPS2019】图变换网络:Graph Transformer Network
手把手解释实现频谱图卷积
AI科技评论
9+阅读 · 2019年9月9日
Nature 一周论文导读 | 2019 年 6 月 27 日
科研圈
8+阅读 · 2019年7月7日
时代聚焦AI安全——可解释性
云栖社区
9+阅读 · 2018年1月21日
SlowFast Networks for Video Recognition
Arxiv
4+阅读 · 2019年4月18日
VIP会员
微信扫码咨询专知VIP会员