图网络模型在人脑结构-功能关系预测中的应用

发布时间：2021-04-09 21:25

　　近些年来,深度学习在许多领域取得了成功,包括图像处理,自然语言处理等领域。然而,如何将深度学习扩展到图上,这一问题仍然没有得到完全解决。图,也称为网络,有着丰富的定义与强大的表达能力,对深度学习在非传统领域的发展有着重要的意义。我们把定义在图上的模型称之为图网络模型,把这一领域称为图神经网络,简称图网络,以区别于卷积神经网络。就目前而言,图神经网络借助卷积神经网络的许多概念在图上进行了移植与扩展,在许多任务上取得了优秀的结果。然而,目前的大部分研究主要集中在节点性质与边的性质的研究上,对于图的整体性质的研究相比之下较少,对于有权图的生成研究则更为稀少。基于上述情况,本文利用公开的人脑连接组计划数据集,结合图网络模型中的图卷积操作,对医学领域的相关模型进行了改进。在保持其良好的理论解释性的基础上,我们通过图卷积操作与其他调整,使得模型对于目标的预测能力得到了有效提升。本文的研究工作主要分为以下三个部分。首先,我们对图神经网络领域的研究背景进行介绍,明确当前图神经网络领域下的主流模型及其原理机制。在此基础上,我们对其中的图卷积网络进行深入研究,利用相关文献分析其理论基础与模型演进,最后得出... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图１－１?Ｚａｃｈａｒｙ?Ｋａｒａｔｅ俱乐部社交关系图［５］??

?＼?：?ｖ?Ｉ?５０?■??０．８?Ｉ?．０．８??１００＇?１００＇??２００?１－０．４?２００?１－０．４??２５０?Ｉ?２５０?＂ｆｌ??３００?ｌ°＇２?３Ｑ０?ｌ°＇２??３５０??．?．?，?，?．???＾?■〇．〇?３５０?１?，?，?，?，?，?，?Ｊ?■〇．〇??０?５０?１００?１５０?２００?２５０?３００?３５０?０?５０?１００?１５０?２００?２５０?３００?３５０??（ｅ）?（ｆ）??图４－２各模型、的单样本预测结果比较图ｓ?〇〇样本的功能矩阵；（ｂ）圈扩散模型预测结??果；⑷特征分解模型预测结果；（ｄ）ＶＧＡＥ－ＧＡＴ模型预测结果；⑷图卷积特??征分解模型预测结果；（ｆ）ＧＣＬＮ模型预测结果??４４??

?第四章实验设计与结果分析???各模型在测试集上的预测效果??０．６?＊?Ｘ?Ｘ?ｘ?ｘ?ｘ?ｘ?Ｘ?＾??：：臂越鑛＆故??Ｉ?？?？?？?？？??ｉ．?〇．２?，??？？?？??＋?Ｅｉｇｅｎ?Ｄｅｃｏｍｐｏｓｉｔｉｏｎ??Ｇｒａｐｈ?Ｄｉｆｆｕｓｉｏｎ??〇．ｌ?■??Ｘ?Ｏｕｒ?ｍｏｄｅｌ??ｔ?ＶＧＡＥ－ＧＡＴ??〇，〇?■?？?ＧＣＬＮ??Ｉ?Ｉ?Ｉ?Ｉ?ｉ?Ｉ?Ｂ?Ｉ??０?１０?２０?３０?４０?５０?６０?７０??样本编号??图４－３各模型在测试集上的预测结果对比图??从图中可以看出，ＶＧＡＥ－ＧＡＴ模型在验证集上获得了较好的效果，处于特征??分解模型与我们的模型之间，结果波动相对较大。??而本文改进的图卷积特征分解模型，效果均值对比上述模型有明显的增加，并??且总体上模型预测结果的差异较校对比模型上限，我们可以看出模型通过优化与??改进后有可能在同样的数据集上获得更好的效果。??接下来，我们从数提貴和噪声〒扰两方面对模型的稳定性进行分析。??４．４．４训练数据量对比实验??首先我们测试数据量大小对模型预测效果的影响。??我们目前的数据集样本总数为７５４。我们调整训练集比例，由８０％开始逐渐下??降，固定原有的最后１０％的样本作为测试集进行测试，以寻找模型效果出现明显拐??点时的训练样本数目。??首先对于特征分解模型进行测试。由于模型较为简单，优化相对平滑，我们采??用Ａｄａｍ优化器，学习率设为０．００１，训练７个周期后开启早停机制。结果如表４－??７所示。??４５??


本文编号：3128341