要旨：安静時機能的磁気共鳴画像法（rs-fMRI）に基づく脳ネットワークに対する機械学習は、自閉スペクトラム症（ASD）の診断において有望であるが、既存の手法は限られた学習データに対して過剰適合しやすく、事後的な統計的帰属解析では臨床的な解釈可能性が乏しい。本研究では、ラベルを変更した脳ネットワークを学習することで、データ拡張と反事実的説明を統合する反事実脳ネットワーク学習フレームワークCFBrainAugを提案する。従来のラベル保持型拡張とは異なり、CFBrainAugはまずラベルと逆の性質を持ちながらもトポロジー的に類似した候補を抽出し、その後、モジュール数制約のもとでそれを精緻化する。事実的ネットワークと反事実的ネットワークの両方を併せて学習することで、決定境界付近の学習分布が豊かになり、特徴選択に基づく軽量なSVMが近年のグラフ深層学習手法と競争力のある性能を発揮できる。一方で、反事実的ネットワークは、各被験者とその反事実との間の接続性の差異を特定することで、内在的な説明を提供する。ABIDE Iデータセットを用いた実験では、CFBrainAugがNYUサイトにおいて74.1％の精度を達成し、小サンプルの脳ネットワーク解析において反事実拡張がより複雑なモデルを補完しうることを示唆している。
投稿履歴
論文へのアクセス：
PDFを表示
HTML（実験的）
TeXソース
追加機能
音声要約
現在の閲覧コンテキスト：
参考文献・引用
Google Scholar
Semantic Scholar
ブックマーク
機関
arXivLabsは、共同作業者が当社のウェブサイト上で新しいarXiv機能を直接開発・共有できるフレームワークです。
arXivLabsを利用する個人および組織は、オープン性、コミュニティ、卓越性、そしてユーザーデータのプライバシーという当社の価値観を積極的に受け入れ、尊重しています。arXivはこれらの価値観に固くコミットしており、それらを遵守するパートナーのみと協力しています。
arXivのコミュニティに価値をもたらすプロジェクトのアイデアをお持ちですか？arXivLabsについて詳しくご覧ください。