基于元素分离与整体注意力的图卷积网络框架

祝传振; 王璇; 郑强

doi:10.7544/issn1000-1239.202440143

基于元素分离与整体注意力的图卷积网络框架

烟台大学计算机与控制工程学院　山东烟台　264005

基金项目: 国家自然科学基金项目（61802330，61802331）；烟台市科技创新发展计划项目（2023XDRH006）

详细信息

作者简介:
祝传振: 1999年生. 硕士研究生. 主要研究方向为深度学习、脑网络、图神经网络

王璇: 1991年生. 博士，副教授. 主要研究方向为图像处理、机器学习、模式识别

郑强: 1986年生. 博士，教授. 主要研究方向为医学图像处理、数据挖掘、人工智能

通讯作者:
郑强 (zhengqiang@ytu.edu.cn)

中图分类号: TP391
计量
- 文章访问数: 129
- HTML全文浏览量: 29
- PDF下载量: 47
出版历程
- 收稿日期: 2024-02-29
- 修回日期: 2024-05-13
- 网络出版日期: 2024-07-04
- 刊出日期: 2024-07-31

Element Separation and Holistic Attention Based Graph Convolutional Network Framework

School of Computer and Control Engineering, Yantai University, Yantai, Shandong 264005

Funds: This work was supported by the National Natural Science Foundation of China (61802330, 61802331) and the Project of Yantai City Science and Technology Innovation Development Plan (2023XDRH006).

More Information

Author Bio:
Zhu Chuanzhen: born in 1999. Master candidate. His main research interests include deep learning, brain networks, and graph neural networks

Wang Xuan: born in 1991. PhD, associate professor. Her main research interests include image processing, machine learning, and pattern recognition

Zheng Qiang: born in 1986. PhD, professor. His main research interests include medical image processing, data mining, and artificial intelligence

摘要

摘要:
目前，图卷积网络在处理图数据等非结构化数据方面具有很大的潜力，然而在处理稠密连接图时仍面临一定的挑战，因为其基于节点的邻域信息聚合机制容易导致整个网络图出现过度平滑现象从而弱化网络图的表达能力. 稀疏图的构建在一定程度上能够缓解网络图在卷积过程中的过度平滑现象，但是稀疏图容易丢失信息且稀疏化的过程缺乏统一标准，从而影响模型的一致性和可解释性. 为此，提出了一种基于元素分离与整体注意力的图卷积网络框架（EH-GCN）. 该框架无需建立在稀疏图的基础之上，不仅能够在稠密连接图分别学习图的连接特征和节点特征，而且采用全局注意力机制进行连接特征和节点特征的整合，从而克服了传统图卷积网络框架在应对稠密连接图时的局限性，提高了网络图的特征表达能力. 首先在ADNI，ABIDE和AIBL这3个脑影像数据集上构建全连接脑网络，验证了EH-GCN在稠密连接图分类任务中的有效性. 随后，所提模型在FRANKENSTEIN化学分子图数据集上进行了测试，证明了其强大的泛化能力. 此外，所提模型的可解释性分析结果与先前的神经病理学研究一致，进一步证明了所提模型的生物学基础.
- 图卷积网络 /
- 脑网络 /
- 图分类 /
- 阿尔茨海默症 /
- 自闭症谱系障碍
Abstract:
Currently, graph convolutional network (GCN) holds significant potential in processing graph data and other unstructured data. However, GCN faces challenges when dealing with densely connected graphs, as their node-based neighborhood information aggregation mechanism can lead to excessive smoothing, thereby weakening the expressive power of the network graph. The construction of sparse graphs can alleviate the phenomenon of excessive smoothing during the convolution process to some extent, but sparse graphs are prone to information loss and the sparsification process lacks unified standards, affecting the model’s consistency and interpretability. To address this, we propose element separation and holistic attention graph convolutional network framework (EH-GCN). This framework does not require the basis of sparse graphs and can learn the connectivity and node features of densely connected graphs separately. Moreover, it employs a global attention mechanism to integrate connectivity and node features, thus overcoming the limitations of traditional GCN frameworks in handling densely connected graphs and enhancing the feature expression capability of the network graph. We firstly construct fully connected brain networks on three brain imaging datasets: ADNI, ABIDE, and AIBL, verifying the effectiveness of the EH-GCN model in classifying densely connected graphs. Subsequently, the model is tested on the FRANKENSTEIN chemical molecular graph dataset, demonstrating its robust generalization capability. Additionally, the interpretability analysis of the framework aligns with previous neuropathological research, further substantiating the biological basis of the framework.
- graph convolutional network /
- brain network /
- graph classification /
- Alzheimer’s disease /
- Autism spectrum disorder
https://chrsmrrs.github.io/datasets/docs/datasets/

http://www.fil.ion.ucl.ac.uk/spm/

HTML全文

随着大数据时代来临，传感器数据、在线交易数据、社交媒体数据、用户在线行为数据等源源不断地产生. 不同于传统的静态数据，这些数据具有实时性、无限性、不可再生性等特点，称之为流数据. 近年来，互联网产业与人工智能技术迅猛发展，流数据挖掘的研究价值正变得愈来愈重要.

在流数据挖掘任务中，学习器往往需要进行动态调整以适应数据的实时变化. 例如，对于推荐系统，用户的喜好可能随着时间改变，导致数据分布随着时间变化，不同时刻的数据不再满足独立同分布假设，数据分布的这种变化将导致后验概率的变化，因此先前训练得到的学习模型不再适用于新分布的数据，流数据的这种分布变化被称为概念漂移^[1-3].

目前许多在线学习模型都基于集成学习技术，利用多个学习器的加权或投票来取得比单个学习器更好的性能^[4-5]. 同时，根据学习模型是否主动对概念漂移进行检测，在线学习方法可分为基于漂移检测的主动在线集成方法和自适应的被动在线集成方法. 基于漂移检测的主动在线集成方法大多通过模型性能指标（例如准确率）的变化来检测概念漂移，当模型性能发生大幅度波动时，说明流数据可能发生概念漂移，此时模型会用一个新的学习器来替换效果最差的旧学习器^[6-10]. 然而，这种主动在线集成方法易受噪声或数据块大小的影响，造成学习器性能的大幅度波动，并且可能不能对概念漂移正确判断，导致模型性能不佳. 自适应型的被动在线集成方法^[11-14]不直接检测概念漂移位点，而是根据流数据的变化情况动态地调整模型权重. 然而，这种方法难以利用历史信息去调节每个学习器权重以达到适应性和稳定性之间的平衡，并且不能很好地处理概念漂移. 此外，大多数在线学习方法都是基于线性分类器或者简单的非线性分类器（例如决策树、支持向量机、聚类等）^[15-17]，这些分类器表征能力较弱，且难以处理较复杂的流数据挖掘任务.

近年来，深度学习技术在图像分类^[18]、目标检测^[19]、机器翻译^[20]等领域取得了巨大成功. 与其他方法相比，深度学习技术拥有强大的表征能力，可以应用于许多复杂任务. 传统的深度学习方法使用大规模数据集对模型进行训练，并通过验证集来选择合适的模型架构（例如网络层的数量、每层神经元数量等），使模型能够有较好的泛化性能. 然而，在流数据挖掘任务中，模型每次只能在新进入的1个或者一小部分数据上训练和更新模型，无法利用验证集来进行模型架构选择，这就要求模型必须能够实时地动态调整以适应不断变化的数据流.

在线深度学习方法利用深度神经网络强大的表征能力去处理流数据以得到更好的效果. 尽管可以利用反向传播算法^[21]对流数据直接优化损失函数，但这种方式仍存在一些问题. 首先，在流数据挖掘任务中，模型单次只能处理1个或一小批数据，这就要求模型要有很灵活的结构，能够在动态变化的环境中进行实时调整. 然而，不同层次的深度网络模型往往有不同的收敛速度和表征能力以适用于不同场景. 对于较浅层的深度网络，模型收敛速度较快，能够快速地达到较好的性能，但表征能力较差，难以处理复杂分布的问题，较适用于概念漂移刚发生时的场景，以使模型性能在漂移发生后快速回升. 对于深度网络，收敛速度往往比浅层网络要缓慢，但具有比浅层神经网络更强大的表征能力，因此更适用于数据流趋于稳定之后的场景. 此外，深度网络所面临的梯度消失等问题，也会影响其在流数据挖掘任务上的性能.

本文将梯度提升思想^[22]引入含概念漂移的流数据挖掘问题中，提出了一种基于自适应深度集成网络的概念漂移收敛方法（concept drift convergence method based on adaptive deep ensemble networks，CD_ADEN）. CD_ADEN方法将若干浅层网络作为基学习器进行集成，后序基学习器在前序基学习器输出基础上不断进行纠错，以提升学习模型在含概念漂移数据流分类任务中的实时泛化性能. 此外，由于每个基学习器均为浅层网络，有较快的收敛速度，在概念漂移发生后，学习模型能够较快地从漂移造成的性能下降中恢复. 实验结果表明，对于不同的评价指标，该方法平均排名均为第一. 在Sea，RBFBlips，Tree，Covertype等数据集上，最终累积精度相对于对比方法分别提高了1.63%，0.73%，3.48%，2.2%. 本文的主要贡献包括2个方面：

1）通过在前序输出的基础上对损失函数进行优化来替代学习损失函数梯度的方法，提升学习模型对前序学习器输出的纠错性能.

2）将梯度提升思想引入含概念漂移的流数据挖掘任务中，后序基学习器在前序学习器输出的基础上不断纠错，为解决含概念漂移的流数据挖掘问题提供了一个新思路.

1. 相关工作

随着互联网技术的迅速发展，越来越多的机器学习任务的数据以流数据的形式呈现，概念漂移作为流数据挖掘领域中的一个重要难题，受到越来越多的关注. 针对含概念漂移的流数据挖掘任务，目前已经有较多研究. 根据是否对概念漂移的发生进行检测，大致可分为基于主动漂移检测的方法和被动漂移适应的方法^[23].

基于主动漂移检测的方法将概念漂移检测融入模型中，通过对学习模型的性能指标进行监测来判断是否发生概念漂移. 一旦检测到模型的性能指标出现大幅度下降，就认为数据流中发生了概念漂移，并对模型做出相应调整. 典型的如：滑动窗口方法^[24]通过窗口不断向前滑动，利用标准差等指标判断是否发生概念漂移，若发生了概念漂移，就将已失效的样本丢弃以适应新的数据分布；增量贝叶斯方法^[25]首先通过处理历史数据得到先验概率，再结合半监督方法计算后验概率来检测概念漂移；基于滑动窗口的ACDWM算法^[4]通过设置1个滑动窗口来保存最新的数据，当任意2个子窗口中数据的平均值的差别大于一定阈值的时候，就认为发生了概念漂移，就会丢弃过时的数据；CD-TW算法^[26-27]构建2个相邻的时序窗口，通过比较2个窗口所对应数据的分布变化情况来检测概念漂移节点. 文献[4, 24-27]所述的这些方法虽然能在一定程度上处理概念漂移问题，但仍存在概念漂移误报、概念漂移检测延迟和处理概念漂移类型单一等问题.

被动漂移适应的方法并不直接对概念漂移进行检测，而是通过逐渐更新学习器以及根据每个基学习器的实时表现动态更新权重来适应概念漂移. 典型的如：SEA算法^[28]在每个数据块上都训练一个分类器，然后将其加入集成学习模型中，当集成学习模型中的基学习器的数量达到上限时，替换表现最差的基学习器；动态加权投票算法DWM^[29]根据每个基学习器的实时表现来动态地调整权重，在更新权重的同时，将权重小于某一阈值的基学习器移除；CondorForest算法^[30]通过决策树模型重用机制动态调整模型中的基学习器；重用模型Learn++.NSE算法^[31]是一种基于AdaBoost的动态加权算法，该算法根据每个基学习器与当前数据分布的一致性来对基学习器进行加权，并且在训练阶段通过一种遗忘机制来处理已过时的基学习器，在不同类型的概念漂移都取得了较好的效果. 文献[28-29, 31]所述的这些方法在对基学习器进行加权时无法有效利用基学习器的历史信息达到适应性与稳定性之间的平衡，往往不能很好地处理概念漂移.

尽管以上方法可以很好地解决概念漂移问题，但多数算法都是通过在线凸优化方法来训练的一些简单模型，对于复杂非线性任务往往难以处理. 而深度网络模型能够很好地拟合复杂的非线性函数，但往往需要对大量数据进行批量训练. 目前用于专门处理流数据的深度网络模型仍比较少，根据是否对网络架构进行动态调整可分为动态调整的在线深度网络和结构稳定的在线深度网络. 动态调整的在线深度网络不断对网络参数进行调整以适应最新的数据分布，并根据网络实时性能来决定调整速率，典型的如MOS-ELM算法^[32]、ELM算法^[33]、ADL算法^[34]、AO-LEM算法^[35]等. 结构稳定的在线深度网络并不对网络架构进行直接调整，而是通过集成学习思想将多个（层）网络结合起来，通过调整网络权重来适应流数据中的概念漂移，典型的如HBP算法^[36]、SEOA算法^[37]等.

本文将梯度提升思想引入含概念漂移的流数据挖掘问题，提出了一种基于自适应深度集成网络的概念漂移收敛方法，通过集成多个浅层网络，将后序基学习器的输出加到前序输出上对损失函数进行优化，以提升学习模型的实时泛化性能. 与传统方法相比，该方法通过对前序学习器输出进行不断纠错，加速模型收敛，并为解决含概念漂移的流数据挖掘问题提供了一个新思路.

2. 基于自适应深度集成网络的概念漂移收敛方法

尽管深度学习在图像分类、目标检测、机器翻译等领域取得了较大成功，但在流数据场景下，深度学习算法难以通过验证集来对模型的架构进行选择，深层网络与浅层网络分别适用于不同场景，在线深度学习算法需要根据数据流的变化实时调整自身架构以达到收敛速度与表征能力间的有效平衡.

为解决上述问题，本文将梯度提升思想的纠错机制引入含概念漂移的流数据分类中，提出了一种基于自适应深度集成网络的概念漂移收敛方法. 该方法集成多个浅层网络作为基学习器，后序基学习器在前序基学习器输出的基础上进行纠错，虽然浅层网络表征能力较弱，难以拟合复杂的非线性映射，但是通过集成多个浅层网络进行多轮纠错操作，最终的学习模型在经过多轮更新后能够得到较好的实时泛化性能. 此外，由于浅层网络收敛速度快，模型能够较快地从概念漂移造成的精度下降中恢复过来，较好地解决了其他在线深度学习方法在处理含概念漂移的流数据问题时难以兼顾模型精度与恢复速度这一问题，从而能够适用于含概念漂移的流数据挖掘任务之中. 模型的基本架构如图1所示.

图 1 基于自适应深度集成网络的概念漂移收敛方法框架图

Figure 1. Framework of concept drift convergence method based on adaptive deep ensemble networks

下载: 全尺寸图片幻灯片

2.1 模型架构

基于自适应深度集成网络的概念漂移收敛方法集成m个浅层网络作为基学习器，第i个基学习器的输出为 ${f_i}({\boldsymbol{x}},{\theta _i}),i = 0,1, … ,m$ ，其中 ${\theta _i}$ 为第i个基学习器的对应参数，对于分类问题，这里的输出指Softmax操作之前的网络输出，每个基学习器对应一个权重 ${\alpha _i}$ ，因此模型的输出为

${F_m}({\boldsymbol{x}}) = \sum\limits_{i = 0}^m {{\alpha _i}{f_i}({\boldsymbol{x}},{\theta _i})} .$

(1)

前序学习器的隐藏层输出与原始输入x合并在一起作为后序基学习器的输入. 由于后序基学习器的输入部分来自前序基学习器，因此每添加1个基学习器可视为增加了1层网络深度，即对输入数据进一步地处理与变换，提高了模型容量. 通过各学习器的实时性能来动态调整权重 ${\alpha _i}$ ，以动态控制模型容量.

从图1可以看出，后序基学习器的任务相当于在前序基学习器输出的基础上进行纠错，假设

${F_{m - 1}}({\boldsymbol{x}}) = \sum\limits_{i = 0}^{m - 1} {{\alpha _i}{f_i}({\boldsymbol{x}},{\theta _i})}$

(2)

为第m−1个基学习器的输出，那么第m个基学习器的学习目标即为在添加对应的输出以及权重之后的输出：

${F_m}({\boldsymbol{x}}) = \sum\limits_{i = 0}^m {{\alpha _i}{f_i}({\boldsymbol{x}},{\theta _i})} ,$

(3)

能够进一步减小损失函数，即在添加上后序基学习器的输出之后，能够对前序输出纠错，以得到较好的实时泛化性能. 在该模型中，即使单个浅层网络难以达到较好的性能，但在添加上多个基学习器的输出，经过多轮纠错操作后的实时泛化性能可能较之前有明显提升. 此外，由于浅层网络的收敛速度较快，因此所提出的模型能够较快地从概念漂移造成的性能下降中恢复，有效兼顾了模型性能与收敛速度，可有效处理含概念漂移的流数据分类.

2.2 纠错操作

为使添加后序基学习器输出后损失函数的结果有所下降，梯度提升思想借鉴最优化理论中梯度下降算法，每个基学习器相应的损失函数利用前序输出的梯度信息来进行优化，以提升模型性能.

设训练样本为 $\{ {y_i},{{\boldsymbol{x}}_{\boldsymbol{i}}}\} _{i = 1}^n$ ，梯度提升算法希望求得参数集 $\{ {\alpha _j},{\theta _j}\} _{j = 1}^m$ ，使得

$\{ {\alpha _j},{\theta _j}\} _{j = 1}^m = \mathop {\arg \min }\limits_{\{ \alpha _j',\theta _j'\} _{j = 1}^m} {\text{ }}\sum\limits_{i = 1}^N {L({y_i},\sum\limits_{{{j}} = 0}^m {\alpha _j'{f_j}({{\boldsymbol{x}}_i},\theta _j')} )} ,$

(4)

其中L为损失函数. 为做到这一点，梯度提升算法采用梯度下降法近似逼近最优解，对于 $j = 1,2,…,m,$ 令

${g_j}({{\boldsymbol{x_i}}}) = {\left[ {\frac{{\partial L({y_i},F({{\boldsymbol{x_i}}}))}}{{\partial F({{\boldsymbol{x_i}}})}}} \right]_{F({\boldsymbol{x}}) = {F_{m - 1}}({\boldsymbol{x}})}}$

(5)

代表第j个基学习器上输出损失的梯度. 由于梯度下降只关心梯度的方向信息而不关心梯度的具体大小，因此这里可以设置一个缩放因子 $\beta$ ，按照式（6）训练第j个基学习器：

${\theta _j} = \mathop {\arg \min }\limits_{\theta ,\;\beta } {\sum\limits_{i = 1}^n {\left[ { - {g_j}({{\boldsymbol{x_i}}}) - \beta {f_j}({{\boldsymbol{x_i}}},\theta )} \right]} ^2} .$

(6)

在训练好第j个基学习器后，利用线搜索来求得梯度下降步长对应权重 ${\alpha _j}$ ：

${\alpha _j} = \mathop {\arg \min }\limits_\alpha \sum\limits_{i = 1}^n {L({y_i},{F_{j - 1}}({{\boldsymbol{x_i}}}) + \alpha {f_j}({{\boldsymbol{x_i}}},{\theta _j}))} .$

(7)

在求得步长之后，利用式（8）更新模型：

${F_j}({\boldsymbol{x}}) = {F_{j - 1}}({\boldsymbol{x}}) + {\alpha _j}{f_j}({\boldsymbol{x}},{\theta _j}) .$

(8)

在经过m步梯度下降，即训练好m个基学习器之后,即可得到最终的模型.

然而，梯度提升思想不能直接应用于流数据挖掘中，这是由于流数据分类的高实时性要求模型能够1次只训练1个或一小批数据，且数据流分布动态变化，这使得后序基学习器输出的梯度信息包含较大误差，难以对损失函数在前序输出处的梯度信息进行准确学习. 为此，本文改进了梯度提升机思想，使其能够适用于含概念漂移的流数据分类.

具体地，在分类任务中，假设在时刻t基学习器 ${f_0},{f_1},…,{f_{j - 1}}$ 的参数均已更新完毕， ${f_j}$ 的参数按照式（9）更新，即首先利用时刻t－1的参数 $\theta _j^{t - 1}$ 计算

$\tilde F = \sum\limits_{i = 0}^{j - 1} {\alpha _i^t{f_i}({\boldsymbol{x}},\theta _i^t) + \alpha _j^{t - 1}{f_j}({\boldsymbol{x}},\theta _j^{t - 1})} \text{，}$

(9)

即先添加时刻t－1的模型 $f_j^{t - 1}$ 的输出结果，并令

${\tilde y_t} = {{Softmax}}({\tilde F_j}({\boldsymbol{x}}))$

(10)

为 $f_j^{}$ 的分类输出，利用

$\theta _j^t = \theta _j^{t - 1} - \eta \dfrac{{\partial L({y_t},{{\tilde y}_t})}}{{\partial \theta _j^{t - 1}}}$

(11)

以及

$\alpha _j^t = \alpha _j^{t - 1} - \eta \dfrac{{\partial L({y_t},{{\tilde y}_t})}}{{\partial \alpha _j^{t - 1}}}$

(12)

对 ${f_j}$ 的参数以及权重进行更新，将更新后的 ${f_j}$ 添加到模型中即得到

${F_j}({\boldsymbol{x}}) = \sum\limits_{i = 0}^j {\alpha _i^t{f_i}({\boldsymbol{x}},\theta _i^t)} \text{，}$

(13)

在经过m轮更新后，模型最终的输出结果即为 ${{Softmax}}({F_m}({\boldsymbol{x}}))$ .

该方法通过直接对损失函数进行优化来更新各基学习器的参数，使得更新后的基学习器损失减小. 相较于传统的梯度提升思想通过学习梯度信息来减小损失的方式，本文直接对损失函数优化，避免了流数据挖掘中基学习器难以准确学习梯度信息的问题.

2.3 算法总结

根据流数据到达的先后顺序将数据块赋予一个时间戳，流数据可以表示为

$SD = \{ ({{\boldsymbol{X_t}}},{Y_t})|t = 1,2,…,T\} .$

按照流数据的这种表示形式，可以将本文所提出的基于自适应深度集成网络的概念漂移收敛方法总结如算法1所示.

算法1. 基于自适应深度集成网络的概念漂移收敛算法.

输入：初始化各基学习器，设每个学习器输出的logits为 ${f_i}({\boldsymbol{x}},{\theta _i}),i = 0,1,…,m$ ，并且将权重初始化为 ${\alpha _i} = {1 \mathord{\left/ {\vphantom {1 m}} \right. } m},i = 1,2, \cdots ,m$ ；

输出：模型输出结果 ${{Softmax}}({F_{\text{m}}}({\boldsymbol{x}}))$ .

① for $t = 1,2,…,T$

②　预测 ${\tilde Y_t} = Softmax({f_0}({{\boldsymbol{X}}_t},\theta _0^{t - 1}) + \sum\limits_{{{j}} = 1}^m {\alpha _{{j}}^{t - 1}{f_{{j}}} ({{\boldsymbol{X}}_t},\theta _{{j}}^{t - 1})} )$ ；

③　令 $\tilde Y_0^t = {{Softmax}}({f_0}({{\boldsymbol{X}}_t},\theta _0^{t - 1})$ ，并利用　　　　　 $\theta _0^t = \theta _0^{t - 1} - \eta \dfrac{{\partial L({Y_t},\tilde Y_0^t)}}{{\partial \theta _0^{t - 1}}}$ 来更新 $\theta _0^{}$ ；

④ 　for ${{j}} = 1,2,…,{{m}}$

⑤　　 $\tilde Y_{{j}}^t = {{Softmax}}(\sum\limits_{i = 0}^{j - 1} {\alpha _i^t{f_i}({\boldsymbol{x}},\theta _i^t) + \alpha _{{j}}^{t - 1}{f_{{j}}}({\boldsymbol{x}},\theta _{{j}}^{t - 1})} )$ ；

⑥ 　　更新参数 $\theta _{{j}}^t = \theta _{{j}}^{t - 1} - \eta \dfrac{{\partial L({Y_t},\tilde Y_{{j}}^t)}}{{\partial \theta _{{j}}^{t - 1}}}$ ；

⑦ 　　更新参数 $\alpha _{{j}}^t = \alpha _{{j}}^{t - 1} - \eta \dfrac{{\partial L({Y_t},\tilde Y_{{j}}^t)}}{{\partial \alpha _{{j}}^{t - 1}}}$ ；

⑧ 　end for

⑨ end for

3. 实验结果与分析

为测试本文所提出的CD_ADEN方法的性能，本文在多个真实数据集以及合成数据集上对模型的实时精度、累积精度及概念漂移发生后的恢复性等评价指标进行了测试. 所采用的深度学习框架为Tensorflow，实验所用计算机的配置为Intel^® Core^TM i5-8300H 2.30 GHz CPU, 16 GB DDR4L RAM 以及 NVIDIA GeForce GTX1050 Ti 4GB GPU.

3.1 数据集及对比方法

本文所用的数据集既有真实数据集，又有模拟概念漂移的合成数据集，包含了突变型概念漂移与渐变型概念漂移，数据集^[37]的具体信息见表1.

表 1 实验采用的数据集

Table 1. Datasets Used in Experiment

数据集	样本实例数	属性维数	样本类别数	漂移类型	漂移位点位置
Sea	10⁵	3	2	渐变型	25×10³，50×10³，75×10³
Hyperplane	10⁵	10	2	增量型	-
RBFBlips	10⁵	20	4	突变型	25×10³，50×10³，75×10³
LED_abrupt	10⁵	24	10	突变型	50×10³
LED_gradual	10⁵	24	10	渐变型	25×10³，50×10³，75×10³
Tree	10⁵	30	10	突变型	25×10³，50×10³，75×10³
Electricity	4.53×10⁴	6	2	未知	-
Kddcup99	4.94×10⁶	41	23	未知	-
Covertype	5.81×10⁵	54	7	未知	-
Weather	9.51×10⁴	9	3	未知	-
注：“-”表示不确定漂移位点位置.

下载: 导出CSV

| 显示表格

在本文中将所提出的方法CD_ADEN与4种在线深度学习方法HBP^[36]，Resnet^[38]，Highway^[39]，DNN进行了对比，实验中数据块大小为 100，隐藏节点为100，使用ReLU激活函数，设置固定学习率为0.001.

3.2 评价指标

本文从3个指标对模型的泛化性能及概念漂移发生后模型的收敛性能进行测试与分析.

1）平均实时精度. 平均实时精度即实时精度在每个时间节点上的平均值，定义为

$Avgracc = \frac{1}{T}\sum\limits_{t = 1}^T {ac{c_t}} ,$

(14)

其中 $ac{c_t}$ 为模型在时间节点t的实时精度. 平均实时精度越高，反映模型的实时性能越好. 由于本文使用的数据集多为类别不平衡的数据集，因此本文中的实时精度 $ac{c_t}$ 使用的是Balanced Accuracy Score^[40]， $acc_t$ 被定义为各类别的平均值：

$ac{c_t} = \frac{1}{k}\sum\limits_{i = 1}^k {\frac{{{c_{ii}}}}{{{c_{*i}}}}} ,$

(15)

其中k为类别数目， ${c_{ij}}$ 指混淆矩阵中索引为 $(i,j)$ 的元素， ${c_{*i}} = \sum\limits_{{{j}} = 1}^{{k}} {{c_{ji}}}$ 为混淆矩阵第i列元素之和.

2）最终累积精度. 最终累积精度即最终模型预测正确的样本数与总样本数的比值，即

$Finacc = \frac{1}{{T \times n}}\sum\limits_{t = 1}^T {{n_t}} ,$

(16)

其中n为每个数据块中的数据数量， ${n_t}$ 为模型在时间节点t对应的数据块中分类正确的样本数目. 最终累积精度越高，代表模型的整体分类性能越好.

3）漂移恢复率. 一个好的在线学习算法不仅需要有较高的准确率，并且需要能够较快地从概念漂移造成的影响中恢复，因此漂移恢复率Drr指标定义为

${{Drr}} = step \times avg ,$

(17)

其中 $step$ 代表模型从概念漂移造成的影响中恢复所需的时间步长， $avg$ 代表恢复过程中模型的平均错误率. 漂移恢复率取值越小，表示模型在漂移发生后，越能够快速恢复到漂移之前的性能.

3.3 实验结果及分析

为验证本文所提方法的合理性，本节从实时精度、累积精度以及漂移恢复率3个指标进行了实验分析.

3.3.1 实时精度的结果与分析

模型的超参数往往对模型的性能有着至关重要的影响，本节在不同数据集上分析基学习器数量下模型的性能表现. 表2展示了不同基学习器数量下模型的平均实时精度情况，本文分别测试了包含4个、8个、12个基学习器时模型的平均实时精度. 从表2可以看出，在多数数据集上，基学习器数量n>8时，性能差距不明显. 因此，后续与其他方法对比时本文所提出的模型均包含8个基学习器.

表 2 不同基学习器数量下的平均实时精度

Table 2. Average Real-Time Accuracy with Different Numbers of Base Learners

数据集	平均实时精度（排名）
数据集	n=4	n=8	n=12
Sea	0.8221（3）	0.8243（1）	0.8226（2）
Hyperplane	0.9195（3）	0.9200（2）	0.9214（1）
RBFBlips	0.9674（3）	0.9680（2）	0.9705（1）
LED_abrupt	0.6123（2）	0.6120（3）	0.6136（1）
LED_gradual	0.6249（1）	0.6227（3）	0.6232（2）
Tree	0.3858（3）	0.3895（2）	0.3916（1）
Electricity	0.6468（3）	0.6484（2）	0.6485（1）
Kddcup99	0.8424（1）	0.8372（2）	0.8199（3）
Covertype	0.7039（2）	0.7056（1）	0.7038（3）
Weather	0.8124（3）	0.8125（1）	0.8125（2）
注：n表示基学习器数量；黑体数值表示最优值.

下载: 导出CSV

| 显示表格

图2展示了不同方法的实时精度变化趋势. 从图2中可以看出，不同方法实时精度波动趋势基本一致，但CD_ADEN方法波动较小，因此较好地处理了流数据中包含的不同类型概念漂移.

图 2 不同方法的实时精度比较

Figure 2. Comparison of real-time accuracy of different methods

下载: 全尺寸图片幻灯片

表3展示了不同方法的平均实时精度以及相应排序情况. 可以看出，在多数情况下CD_ADEN方法的平均实时精度最好. 然而在LED_abrupt，Electricity，Kddcup99和Weather上，CD_ADEN方法并未取得最优结果，这可能是由于数据集的分布不同，较少基学习器模型不能很好地表示数据分布，而较多基学习器则会降低收敛速度，并且导致较低的平均实时精度.

表 3 不同方法的平均实时精度比较

Table 3. Average Real-Time Accuracy Comparison of Different Methods

数据集	平均实时精度（排名）
数据集	DNN2	DNN4	DNN8	Resnet	Highway	HBP	CD_ADEN（本文）
Sea	0.6217（7）	0.6782（6）	0.6782（5）	0.7698（4）	0.8064（2）	0.8056（3）	0.8243（1）
Hyperplane	0.8913（5）	0.8930（4）	0.8905（6）	0.8892（7）	0.9053（2）	0.8969（3）	0.9200（1）
RBFBlips	0.9460（4）	0.9448（6）	0.9451（5）	0.9406（7）	0.9581（2）	0.9517（3）	0.9680（1）
LED_abrupt	0.6122（1）	0.6030（4）	0.5741（7）	0.5912（6）	0.6016（5）	0.6068（3）	0.6120（2）
LED_gradual	0.6206（2）	0.6134（4）	0.5873（7）	0.6067（6）	0.6116（5）	0.6191（3）	0.6227（1）
Tree	0.3301（2）	0.3268（3）	0.2378（7）	0.2877（5）	0.2952（4）	0.2799（6）	0.3895（1）
Electricity	0.6657（1）	0.6465（3）	0.6031（6）	0.5821（7）	0.6337（4）	0.6115（5）	0.6484（2）
Kddcup99	0.8796（1）	0.7186（6）	0.4763（7）	0.6534（5）	0.7537（4）	0.7670（3）	0.8372（2）
Covertype	0.5251（7）	0.5739（6）	0.6243（4）	0.6183（5）	0.6354（3）	0.6465（2）	0.7056（1）
Weather	0.8478（1）	0.8050（5）	0.8057（4）	0.8034（6）	0.7813（7）	0.8139（2）	0.8125（3）
平均序值	3.1	4.7	5.8	5.8	3.8	3.3	1.5
注：黑体数值表示最优值.

下载: 导出CSV

| 显示表格

本文通过非参数测试方法Friedman检验^[41]进行统计测试. 对于给定的k个算法和n个数据集， $r_i^j$ 是第j个算法在第i个数据集上的排名，第j个算法的平均序值 ${R_j} = \dfrac{{{1}}}{{{n}}}\sum\limits_i {r_i^j}$ . 零假设 ${H_0}$ 为如果所有的方法性能相同，那么它们的平均序值是相等的. 在零假设下，当k和n足够大时，F_F服从自由度为 k − 1 和（k − 1）（n − 1）的F分布：

${F_{\mathrm{F}}} = \frac{{(n - 1)\chi _{\mathrm{F}}^2}}{{n(k - 1) - \chi _{\mathrm{F}}^2}} \text{，}$

(18)

其中

$\chi _{\mathrm{F}}^2 = \frac{{12n}}{{k(k + 1)}}\left[ {\sum\limits_j {R_j^2} - \frac{{k{{(k + 1)}^2}}}{4}} \right] .$

(19)

若零假设 ${H_0}$ 被拒绝，计算出的统计量大于F_F的临界值，表明学习方法在性能上有显著差异，对上述方法的平均实时精度进行测试，得到统计值F_F=9.75. 由于其在显著水平 $\alpha$ =0.05处的临界值为2.272，因此拒绝了算法之间性能不可区分的零假设.

此外，所有方法的临界差（CD）都是通过Bonferroni-Dunn检验计算的，用来显示CD_ADEN方法和对比方法之间的相对性能，如果2个算法的平均序值之差超过了临界差CD，则2个分类器的性能有显著差异：

$CD = {q_\alpha }\sqrt {\dfrac{{k(k + 1)}}{{6n}}} ,$

(20)

其中 ${q_\alpha }$ 是显著级 $\alpha$ 的临界值. 可得在 $\alpha$ =0.05时CD=2.195. 统计分析的结果如图3所示. 其中，平均序值在一个临近值域内的方法用黑线连接. 结果表明，CD_ADEN方法的平均实时精度显著优于DNN8，Resnet，DNN4.

图 3 平均实时精度的Bonferroni-Dunn检验结果

Figure 3. Bonferroni-Dunn test result for average real-time accuracy

下载: 全尺寸图片幻灯片

3.3.2 累积精度的结果与分析

表4展示了不同基学习器数量n下模型的最终累积精度情况. 在大多数据集上，基学习器数量越大，模型的最终累积精度表现越好.

表 4 不同基学习器数量下的最终累积精度

Table 4. Final Cumulative Accuracy with Different Numbers of Base Learners

数据集	最终累积精度（排名）
数据集	n=4	n =8	n =12
Sea	0.8455（3）	0.8472（1）	0.8463（2）
Hyperplane	0.8909（3）	0.8979（1）	0.8936（2）
RBFBlips	0.9651（3）	0.9673（2）	0.9681（1）
LED_abrupt	0.6133（1）	0.6128（3）	0.6131（2）
LED_gradual	0.6239（2）	0.6226（3）	0.6244（1）
Tree	0.5952（1）	0.5937（2）	0.5769（3）
Electricity	0.6874（1）	0.6781（2）	0.6611（3）
Kddcup99	0.9830（2）	0.9844（1）	0.9819（3）
Covertype	0.8123（1）	0.8123（1）	0.8029（3）
Weather	0.8838（1）	0.8838（1）	0.8838（1）
注：n表示基学习器数量；黑体数值表示最优值.

下载: 导出CSV

| 显示表格

图4展示了不同方法的累积精度比较. 可以看出所有方法的累积精度趋势相同，漂移发生后，CD_ADEN的累积精度下降低于其他方法，这是由于后序基学习器在前序输出基础上不断纠错，提升了模型的泛化性能.

图 4 不同方法的累积精度比较

Figure 4. Comparison of cumulative accuracy on different methods

下载: 全尺寸图片幻灯片

表5展示了不同方法的最终累积精度结果以及相应的排序. 通过平均序值的比较可以看出，CD_ADEN的性能最好，HBP和DNN2次之，DNN8表现最差. CD_ADEN在除了Hyperplane的合成数据集上都取得最高的最终累积精度，在真实数据集Electricity， Weather上表现稍差于DNN2方法. CD_ADEN通过将梯度提升算法的纠错机制引入流数据挖掘任务中处理概念漂移，使模型具有较好的泛化性能. 然而，CD_ADEN并不是均能保持最优精度，这可能是由于基学习器数量未选择至合适数目，较少或较多的基学习器数量均会导致在部分数据集上取得较低的最终累积精度.

表 5 不同方法的最终累积精度比较

Table 5. Final Cumulative Accuracy Comparison of Different Methods

数据集	最终累积精度（排名）
数据集	DNN2	DNN4	DNN8	Resnet	Highway	HBP	CD_ADEN（本文）
Sea	0.6579（7）	0.7303（6）	0.7349（5）	0.8062（4）	0.8307（3）	0.8309（2）	0.8472（1）
Hyperplane	0.8912（5）	0.8933（4）	0.8908（6）	0.8887（7）	0.9053（1）	0.8970（3）	0.8979（2）
RBFBlips	0.9479（5）	0.9489（4）	0.9478（6）	0.9433（7）	0.9600（2）	0.9542（3）	0.9673（1）
LED_abrupt	0.6125（2）	0.6033（4）	0.5747（7）	0.5915（6）	0.6016（5）	0.6069（3）	0.6128（1）
LED_gradual	0.6208（2）	0.6137（4）	0.5879（7）	0.6067（6）	0.6117（5）	0.6186（3）	0.6226（1）
Tree	0.5589（2）	0.5505（3）	0.4725（7）	0.5069（5）	0.5340（4）	0.5042（6）	0.5937（1）
Electricity	0.6821（1）	0.6715（3）	0.6411（6）	0.6303（7）	0.6621（4）	0.6504（5）	0.6781（2）
Kddcup99	0.9832（2）	0.9195（6）	0.7812（7）	0.9276（5）	0.9614（4）	0.9823（3）	0.9844（1）
Covertype	0.6984（7）	0.7336（6）	0.7677（5）	0.7730（4）	0.7824（3）	0.7903（2）	0.8123（1）
Weather	0.8872（1）	0.8743（5）	0.8754（4）	0.8708（6）	0.8362（7）	0.8824（3）	0.8838（2）
平均序值	3.4	4.5	6.0	5.7	3.8	3.3	1.3
注：黑体数值表示最优值.

下载: 导出CSV

| 显示表格

进一步分析计算出检验值F_F=10.8744，在显著水平 $\alpha$ =0.05处的临界值为2.109，因此拒绝了方法之间性能不可区分的零假设. Bonferroni-Dunn检验结果如图5所示，结果表明CD_ADEN方法的最终累积精度显著优于DNN4，DNN8，Resnet.

图 5 最终累积精度的Bonferroni-Dunn检验结果

Figure 5. Bonferroni-Dunn test result for final cumulative accuracy

下载: 全尺寸图片幻灯片

3.3.3 漂移恢复率的结果与分析

在线学习模型不仅要考虑其准确率，同时也应该考虑概念漂移发生之后模型的恢复性能. 本文在突变型概念漂移数据集上对模型的恢复性能进行了测试. 当模型的实时精度恢复到概念漂移发生之前的 $\delta$ 倍时即判断为恢复，根据数据集的不同， $\delta$ 相应被设置成不同的值.

表6展示了不同基学习器数量n下模型的漂移恢复性能. 由表6可以看出，不同于多层DNN，当模型的基学习器越多，就对应着更复杂、容量更大的模型，模型的恢复速度反而更快. 这可能是因为越多的基学习器对应越多的纠错次数，可以使模型更快地从概念漂移导致的高错误率中恢复. 这也一定程度上印证了本文提出的纠错机制是适用于含概念漂移的流数据挖掘问题的解决之中的.

表 6 不同基学习器数量下的漂移恢复率

Table 6. Drift Recovery Rate Under Different Numbers of Base Learners

数据集	漂移恢复率（第1个位点/第2个位点/第3个位点）
数据集	n =4	n =8	n =12
Tree（ $\delta =0.7$ ）	33.37/69.35/112.14	40.39/84.51/66.52	40.81/42.49/80.80
RBFBlips（ $\delta =0.9$ ）	1.60/1.91/1.35	1.59/2.16/1.36	1.72/2.09/1.10
LED_abrupt（ $\delta =0.7$ ）	40.06	31.98	28.77
注： LED_abrupt数据集包含1个位点，漂移恢复率只有1个值；n表示基学习器数量. 黑体数值表示不同位点的最优值.

下载: 导出CSV

| 显示表格

表7展示了CD_ADEN与其他方法的对比. 可以看出，CD_ADEN有较好的恢复速度，平均排名为各种方法中最高，能够较好地应用于含概念漂移的流数据挖掘任务.

表 7 不同方法的漂移恢复率

Table 7. Drift Recovery Rate of Different Methods

方法	漂移恢复率（第1个位点/第2个位点/第3个位点）			平均序值
方法	Tree （ $\delta =0.7$ ）	RBFBlips （ $\delta =0.$ 9）	LED_abrupt （ $\delta =0.7$ ）	平均序值
DNN2	45.98/88.41/193.43	4.32/4.39/3.18	27.64	3.71
DNN4	75.89/90.89/166.07	4.76/6.86/4.95	46.48	5.0
DNN8	171.02/53.77/158.23	3.55/3.31/6.45	124.98	4.43
Resnet	98.63/176.26/126.73	5.04/7.47/2.81	46.94	5.29
Highway	59.56/97.21/147.49	3.62/2.89/1.86	45.97	3.29
HBP	113.92/104.81/194.90	5.43/3.43/1.43	45.38	5.0
CD_ADEN（本文）	40.39/80.51/66.52	1.59/2.16/1.36	31.98	1.29
注：同表6，LED_abrupt数据集的漂移恢复率只有1个值. 黑体数值表示不同位点的最优值.

下载: 导出CSV

| 显示表格

进一步分析上述结果，比较CD_ADEN和对比方法在漂移恢复方面的性能. 计算出F_F=6.5016，在显著水平 $\alpha$ =0.05处的临界值为2.109，因此拒绝了方法之间性能不可区分的零假设. Bonferroni-Dunn检验结果如图6所示，结果表明，CD_ADEN方法的漂移恢复性能显著优于DNN4，DNN8，Resnet.

图 6 漂移恢复率的Bonferroni-Dunn检验结果

Figure 6. Bonferroni-Dunn test result for drift recovery rate

下载: 全尺寸图片幻灯片

4. 总结与展望

本文针对流数据挖掘中概念漂移问题带来的挑战，将梯度提升的纠错思想引入概念漂移问题的解决之中，提出了基于自适应深度集成网络的概念漂移收敛方法CD_ADEN. CD_ADEN方法通过集成多个浅层网络构成集成学习模型，后序基学习器在前序输出的基础上对其进行纠错以提升模型的实时泛化性能，在一定程度上缓解了传统在线深度网络难以兼顾模型精度与恢复性能的问题，从而更好地应用于含概念漂移的流数据挖掘任务当中.

作者贡献声明：郭虎升提出思路，设计方法，负责初稿写作及论文修改；孙妮负责论文撰写、数据测试及论文修改；王嘉豪负责代码实现、数据测试及论文撰写；王文剑负责写作指导、论文修改审定.

https://chrsmrrs.github.io/datasets/docs/datasets/

http://www.fil.ion.ucl.ac.uk/spm/

图 1 基于元素分离与整体注意力的图卷积网络框架

Figure 1. Element separation and holistic attention based graph convolutional network framework

下载: 全尺寸图片幻灯片

图 2 脑网络构建和模型输入

Figure 2. Brain network construction and model input

下载: 全尺寸图片幻灯片

图 3 不同方法上分类的ROC曲线

Figure 3. ROC curves on classification of different methods

下载: 全尺寸图片幻灯片

图 4 重要节点可视化

注：节点大小代表重要程度

Figure 4. Visualization of important nodes

下载: 全尺寸图片幻灯片

图 5 重要连接可视化

注：线条粗细代表重要程度

Figure 5. Visualization of important connections

下载: 全尺寸图片幻灯片

表 1 人口统计信息

Table 1 Demographic Information

数据集	模态	类别（人数）	年龄	男性人数/女性人数
ADNI	T1WI	AD (282)	74.91±7.69	151/131
ADNI	T1WI	NC (318)	73.90±6.18	163/155
ABIDE	T1WI+fMRI	ASD (496)	14.72±9.09	423/73
ABIDE	T1WI+fMRI	NC (557)	14.87±9.34	384/173
AIBL	T1WI	AD (79)	74.84±7.79	33/46
AIBL	T1WI	NC (121)	74.16±6.59	66/55
注“±”前后表示平均数和标准差.

下载: 导出CSV

表 2 使用全连接脑网络在不同方法上的分类性能比较

Table 2 Comparison of Classification Performance Using Fully Connected Brain Networks on Different Methods

数据集	方法	ACC	SEN	SPE	AUC
ADNI	SVM	0.813	0.784	0.840	0.889
	RF	0.797	0.731	0.855	0.879
	Chebyshev_GCN	0.838	0.812	0.861	0.907
	GCN	0.700	0.652	0.741	0.765
	GAT	0.828	0.784	0.867	0.885
	Graph SAGE	0.861	0.826	0.896	0.912
	GIN	0.652	0.613	0.685	0.707
	SGCN	0.544	0.436	0.642	0.613
	TGCN	0.712	0.602	0.810	0.794
	BrainGNN	0.835	0.748	0.912	0.888
	EH-GCN（本文）	0.898	0.869	0.915	0.934
ABIDE	SVM	0.610	0.591	0.624	0.624
	RF	0.585	0.666	0.511	0.596
	Chebyshev_GCN	0.605	0.567	0.641	0.674
	GCN	0.562	0.323	0.775	0.596
	GAT	0.566	0.504	0.621	0.616
	Graph SAGE	0.589	0.544	0.629	0.593
	GIN	0.555	0.399	0.695	0.565
	SGCN	0.529	0.478	0.574	0.581
	TGCN	0.546	0.481	0.604	0.602
	BrainGNN	0.548	0.462	0.626	0.575
	EH-GCN（本文）	0.698	0.706	0.682	0.721
注：黑体数值表示结果最优.

下载: 导出CSV

表 3 不同模型组件对结果的影响

Table 3 Impact of Different Model Components on the Results

数据集	方法	ACC	SEN	SPE	AUC
ADNI	NFAN	0.869	0.833	0.902	0.913
	CFAN	0.735	0.709	0.757	0.795
	ES-GCN	0.878	0.865	0.890	0.916
	EH-GCN（本文）	0.898	0.869	0.915	0.934
ABIDE	NFAN	0.564	0.567	0.562	0.584
	CFAN	0.609	0.458	0.744	0.610
	ES-GCN	0.649	0.600	0.655	0.670
	EH-GCN（本文）	0.698	0.706	0.682	0.721
注：黑体数值表示结果最优.

下载: 导出CSV

表 4 连接卷积阶数对结果的影响

Table 4 Impact of Connection Convolutional Order on the Results

数据集	连接卷积阶数	ACC	SEN	SPE	AUC
ADNI	S=1	0.712	0.480	0.913	0.745
	S=2	0.731	0.632	0.818	0.802
	S=3	0.738	0.706	0.769	0.808
ABIDE	S=1	0.550	0.130	0.922	0.597
	S=2	0.619	0.634	0.603	0.656
	S=3	0.599	0.816	0.402	0.637
注：黑体数值表示结果最优.

下载: 导出CSV

表 5 用ADNI做训练集在AIBL上的测试结果

Table 5 Test Results of ADNI Used as Training Set on AIBL

方法	ACC	SEN	SPE	AUC
Chebyshev_GCN	0.770	0.480	0.958	0.881
GCN	0.605	0.000	1.000	0.565
GAT	0.820	0.807	0.825	0.887
Graph SAGE	0.835	0.720	0.908	0.908
GIN	0.590	0.100	0.909	0.563
SGCN	0.563	0.253	0.765	0.550
TGCN	0.602	0.386	0.741	0.665
BrainGNN	0.640	0.102	0.992	0.792
EH-GCN（本文）	0.895	0.873	0.909	0.940
注：黑体数值表示结果最优.

下载: 导出CSV

表 6 在FRANKENSTEIN数据集上的实验结果

Table 6 Experimental Results on FRANKENSTEIN Dataset

方法	ACC	SEN	SPE	AUC
SVM	0.536	0.692	0.320	0.481
RF	0.500	0.656	0.282	0.472
Chebyshev_GCN	0.544	0.720	0.303	0.513
GCN	0.574	0.683	0.415	0.586
GAT	0.529	0.876	0.049	0.462
Graph SAGE	0.600	0.719	0.412	0.611
GIN	0.549	0.766	0.256	0.569
SGCN	0.510	0.504	0.521	0.536
TGCN	0.529	0.683	0.317	0.505
BrainGNN	0.548	0.736	0.292	0.496
EH-GCN（本文）	0.631	0.837	0.342	0.614
注：黑体数值表示结果最优.

下载: 导出CSV

表 7 前10个重要脑区和连接

Table 7 Top Ten Important Brain Regions and Connections

数据集	NFC	CFC
ADNI	右侧海马	右侧回直肌—右侧尾状核
	左侧杏仁核	右侧回直肌—右侧颞下回
	左侧海马	右侧眶内额上回—右侧回直肌
	右侧海马旁回	右侧顶上回—左侧豆状壳核
	颞下回	右侧回直肌—左侧海马
	左侧海马旁回	右侧回直肌—左侧眶部额中回
	左侧眶部额下回	右侧回直肌—左侧距状裂周围皮层
	右侧杏仁核	右侧回直肌—左侧舌回
	左侧舌回	右侧眶部额上回—右侧尾状核
	右侧中央沟盖	右侧回直肌—右侧豆状壳核
ABIDE	左侧杏仁核	右侧回直肌—右侧颞极：颞中回
	左侧中央沟盖	左侧眶部额中回—右侧回直肌
	右侧眶内额上回	右侧眶部额下回— 右侧枕下回
	右侧岛盖部额下回	右侧额中回—左侧杏仁核
	右侧颞极：颞上回	右侧眶部额下回—右侧回直肌
	右侧眶部额上回	右侧眶部额下回—左侧脑岛
	左侧豆状苍白球	左侧眶部额中回—右侧眶部额下回
	左侧颞横回	右侧嗅皮层—右侧回直肌
	左侧颞极：颞中回	右侧眶内额上回 —右侧回直肌
	左侧嗅皮质	右侧枕上回—右侧枕下回

下载: 导出CSV

参考文献(42)

[1]	Xia Feng, Sun Ke, Yu Shuo, et al. Graph learning: A survey[J]. IEEE Transactions on Artificial Intelligence, 2021, 2(2): 109−127 doi: 10.1109/TAI.2021.3076021
[2]	Kamarajan C, Ardekani B A, Pandey A K, et al. Random forest classification of alcohol use disorder using fMRI functional connectivity, neuropsychological functioning, and impulsivity measures[J]. Brain Sciences, 2020, 10(2): 115 doi: 10.3390/brainsci10020115
[3]	Zhao Kun, Zheng Qiang, Dyrba M, et al. Regional radiomics similarity networks reveal distinct subtypes and abnormality patterns in mild cognitive impairment[J]. Advanced Science, 2022, 9(12): e2104538 doi: 10.1002/advs.202104538
[4]	Jyotiyana M, Kesswani N. Classification and prediction of Alzheimer's disease using multi-layer perceptron[J]. International Journal of Reasoning-based Intelligent Systems, 2020, 12(4): 255−263 doi: 10.1504/IJRIS.2020.111785
[5]	常亮,邓小明,周明全,等. 图像理解中的卷积神经网络[J]. 自动化学报,2016,42(9):1300−1312 Chang Liang, Deng Xiaoming, Zhou Mingquan, et al. Convolutional neural networks in image understanding[J]. Acta Automatica Sinica, 2016, 42(9): 1300−1312 (in Chinese)
[6]	Wang Yuan, Wang Yao, Lui Y W. Generalized recurrent neural network accommodating dynamic causal modeling for functional MRI analysis[J]. NeuroImage, 2018, 178: 385−402 doi: 10.1016/j.neuroimage.2018.05.042
[7]	Kaur R, Kumar R, Gupta M. Deep neural network for food image classification and nutrient identification: A systematic review[J]. Reviews in Endocrine Metabolic Disorders, 2023, 24: 633−653 doi: 10.1007/s11154-023-09795-4
[8]	Kshatri S S, Singh D. Convolutional neural network in medical image analysis: A review[J]. Archives of Computational Methods in Engineering, 2023, 30(4): 2793−2810 doi: 10.1007/s11831-023-09898-w
[9]	徐冰冰,岑科廷,黄俊杰,等. 图卷积神经网络综述[J]. 计算机学报,2020,43(5):755−780 doi: 10.11897/SP.J.1016.2020.00755 Xu Bingbing, Cen Keting, Huang Junjie, et al. A survey on graph conolutional neural network[J]. Chinese Journal of Computers, 2020, 43(5): 755−780 (in Chinese). doi: 10.11897/SP.J.1016.2020.00755
[10]	Yin Guimei, Chang Ying, Zhao Yanli, et al. Automatic recognition of schizophrenia from brain-network features using graph convolutional neural network[J]. Asian Journal of Psychiatry, 2023, 87: 103687 doi: 10.1016/j.ajp.2023.103687
[11]	Wen Guangqi, Cao Peng, Bao Huiwen, et al. MVS-GCN: A prior brain structure learning-guided multi-view graph convolution network for autism spectrum disorder diagnosis[J]. Computers in Biology and Medicine, 2022, 142: 105239 doi: 10.1016/j.compbiomed.2022.105239
[12]	Yao Dongren, Sui Jing, Wang Mingliang, et al. A mutual multi-scale triplet graph convolutional network for classification of brain disorders using functional or structural connectivity[J]. IEEE Transactions on Medical Imaging, 2021, 40(4): 1279−1289 doi: 10.1109/TMI.2021.3051604
[13]	Song Zixing, Yang Xiangli, Xu Zenglin, et al. Graph-based semi-supervised learning: A comprehensive review[J]. IEEE Transactions on Neural Networks Learning Systems, 2023, 34(11): 8174−8194 doi: 10.1109/TNNLS.2022.3155478
[14]	Zheng C, Zong B, Cheng W, et al. Robust graph representation learning via neural sparsification[C]//Proc of the Int Conf on Machine Learning. Virtual: PMLR, 2020: 11458−11468
[15]	Defferrard M, Bresson X, Vandergheynst P. Convolutional neural networks on graphs with fast localized spectral filtering[C]//Proc of the Advances in Neural Information Processing Systems. Barcelona, Spain: NIPS Foundation, 2016: 3844−3852
[16]	Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks[J]. arXiv preprint, arXiv: 02907, 2016
[17]	Veličković P, Cucurull G, Casanova A, et al. Graph attention networks[C]//Proc of the Int Conf on Learning Representations (ICLR). Vancouver, Canada: openReview, 2018: 1−12
[18]	Hamilton W, Ying Z, Leskovec J. Inductive representation learning on large graphs[C]//Proc of the Advances in Neural Information Processing Systems 30 (NIPS 2017). Long Beach, CA, United states, NIPS Foundation, 2017: 1025−1035
[19]	Xu Keyulu, Hu Weihua, Leskovec J, et al. How powerful are graph neural networks?[J]. arXiv preprint, arXiv: 00826, 2018
[20]	Wu Zonghan, Pan Shirui, Chen Fengwen, et al. A comprehensive survey on graph neural networks[J]. IEEE Transactions on Neural Networks, 2020, 32(1): 4−24
[21]	Bullmore E, Sporns O. Complex brain networks: Graph theoretical analysis of structural and functional systems[J]. Nature Reviews Neuroscience, 2009, 10(3): 186−198 doi: 10.1038/nrn2575
[22]	Jin Suting, Zeng Xiangxiang, Xia Feng, et al. Application of deep learning methods in biological networks[J]. Briefings in Bioinformatics, 2021, 22(2): 1902−1917 doi: 10.1093/bib/bbaa043
[23]	Zhou Houliang, He Lifang, Zhang Yu, et al. Interpretable graph convolutional network of multi-modality brain imaging for Alzheimer’s disease diagnosis[C]//Proc of the 2022 IEEE 19th Int Symp on Biomedical Imaging (ISBI). Piscataway, NJ: IEEE, 2022: 1−5
[24]	Xu Ruting, Zhu Qi, Li Shengrong, et al. MSTGC: Multi-channel spatio-temporal graph convolution network for multi-modal brain networks fusion[J]. IEEE Transactions on Neural Systems Rehabilitation Engineering, 2023, 31: 2359−2369 doi: 10.1109/TNSRE.2023.3275608
[25]	Ktena S I, Parisot S, Ferrante E, et al. Metric learning with spectral graph convolutions on brain connectivity networks[J]. NeuroImage, 2018, 169: 431−442 doi: 10.1016/j.neuroimage.2017.12.052
[26]	Yao Dongren, Liu Mingxia, Wang Mingliang, et al. Triplet graph convolutional network for multi-scale analysis of functional connectivity using functional MRI[C]//Proc of the Graph Learning in Medical Imaging: First International Workshop. Berlin: Springer, 2019: 70−78
[27]	Li Xiaoxiao, Zhou Yuan. BrainGNN: Interpretable brain graph neural network for fMRI analysis[J]. Medical Image Analysis, 2021, 74: 102233 doi: 10.1016/j.media.2021.102233
[28]	Li Yu, Zhang Xin, Nie Jiangxin, et al. Brain connectivity based graph convolutional networks and its application to infant age prediction[J]. IEEE Transactions on Medical Imaging, 2022, 41(10): 2764−2776 doi: 10.1109/TMI.2022.3171778
[29]	Taud H, Mas J. Multilayer perceptron [J]. Geomatic Approaches for Modeling Land Change Scenarios, 2018: 451−455
[30]	Hu Jie, Shen Li, Sun Gang. Squeeze-and-excitation networks[C]//Proc of the IEEE Conf on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2018: 7132−7141
[31]	Zhao Kun, Zheng Qiang, Che Tongtong, et al. Regional radiomics similarity networks (R2SNs) in the human brain: Reproducibility, small-world properties and a biological basis[J]. Network Neuroscience, 2021, 5(3): 783−797
[32]	Jain A, Nandakumar K, Ross A. Score normalization in multimodal biometric systems[J]. Pattern Recognition, 2005, 38(12): 2270−2285 doi: 10.1016/j.patcog.2005.01.012
[33]	Rasheed K, Qayyum A, Ghaly M, et al. Explainable, trustworthy, and ethical machine learning for healthcare: A survey[J]. Computers in Biology and Medicine, 2022, 149: 106043 doi: 10.1016/j.compbiomed.2022.106043
[34]	Köhler S, Black S, Sinden M, et al. Memory impairments associated with hippocampal versus parahippocampal-gyrus atrophy: An MR volumetry study in Alzheimer’s disease[J]. Neuropsychologia, 1998, 36(9): 901−914 doi: 10.1016/S0028-3932(98)00017-7
[35]	Poulin S P, Dautoff R, Morris J C, et al. Amygdala atrophy is prominent in early Alzheimer's disease and relates to symptom severity[J]. Psychiatry Research, 2011, 194(1): 7−13 doi: 10.1016/j.pscychresns.2011.06.014
[36]	Feng Qi, Wang Mei, Song Qiaowei, et al. Correlation between hippocampus MRI radiomic features and resting-state intrahippocampal functional connectivity in Alzheimer’s disease[J]. Frontiers in Neuroscience, 2019, 13: 435 doi: 10.3389/fnins.2019.00435
[37]	Xiang Jie, Guo Hao, Cao Rui, et al. An abnormal resting-state functional brain network indicates progression towards Alzheimer's disease[J]. Neural Regeneration Research, 2013, 8(30): 2789
[38]	Lin Xu, Liu Xiaoli, Chen Zhengzhen, et al. Multi-index analysis of regional brain activity in patients with Alzheimer’s disease during resting state[J]. Acta Anatomica Sinica, 2023, 54(1): 75
[39]	Kleinhans N M, Richards T, Weaver K, et al. Association between amygdala response to emotional faces and social anxiety in autism spectrum disorders[J]. Neuropsychologia, 2010, 48(12): 3665−3670 doi: 10.1016/j.neuropsychologia.2010.07.022
[40]	Doyon J, Bellec P, Amsel R, et al. Contributions of the basal ganglia and functionally related brain structures to motor learning[J]. Behavioural Brain Research, 2009, 199(1): 61−75 doi: 10.1016/j.bbr.2008.11.012
[41]	Duan Yumei, Zhao Weidong, Luo Cheng, et al. Identifying and predicting autism spectrum disorder based on multi-site structural MRI with machine learning[J]. Frontiers in Human Neuroscience, 2022, 15: 765517 doi: 10.3389/fnhum.2021.765517
[42]	Xu Shoujun, Li Meng, Yang Chunlan, et al. Altered functional connectivity in children with low-function autism spectrum disorders[J]. Frontiers in Neuroscience, 2019, 13: 806 doi: 10.3389/fnins.2019.00806