AI 自动翻译
摘要：基于静息态功能磁共振成像（rs-fMRI）的脑网络机器学习在自闭症谱系障碍（ASD）的诊断中展现出广阔前景，但现有方法在训练数据有限的情况下极易发生过拟合，且其事后统计归因的临床可解释性较为有限。我们提出了一种名为CFBrainAug的反事实脑网络学习框架，通过学习标签被改变后的脑网络，将数据增强与反事实解释有机统一。不同于传统的保持标签不变的数据增强方法，CFBrainAug首先检索一个与目标标签相反但拓扑结构相似的候选网络，随后在模块数量约束下对其进行优化。通过对真实网络与反事实网络的联合训练，模型的训练分布得以在决策边界附近得到丰富，从而使一种轻量级的基于特征选择的支持向量机（SVM）在性能上能够与近期的图深度学习方法相媲美。同时，这些反事实网络还通过识别每个受试者与其反事实之间的连接差异，提供了内在的解释机制。在ABIDE I数据集上的实验表明，CFBrainAug在纽约大学站点上的准确率达到74.1%，这表明在小样本的脑网络分析中，反事实增强能够有效补充更为复杂的模型。
提交历史
访问 Paper：
查看PDF
HTML（实验性）
TeX 源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
谷歌学术
语义学者
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的机构，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于坚守这些价值观，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。