Brain Graph Super-Resolution Using Adversarial Graph Neural Network with Application to Functional Brain Connectivity
Istanbul Technical University(伊斯坦布尔理工大学);University of Dundee(邓迪大学)
近年来,随着以不同分辨率获取的神经成像数据集的激增,脑图像分析已经取得了实质性的进展。近年来,脑图像超分辨率的研究发展迅速,但由于非欧图数据的复杂性,脑图超分辨率的研究还很薄弱。在本文中,我们提出了有史以来第一个深度图超分辨率(GSR)框架,该框架试图自动生成具有N'个节点的高分辨率(HR)脑图(即,从具有N个节点的低分辨率(LR)图中提取感兴趣的解剖区域(ROI),其中N <N '。首先,我们将GSR问题形式化为节点特征嵌入学习任务。一旦HR节点的嵌入被学习,大脑ROI之间的成对连接强度可以通过基于新颖的Graph U-Net架构的聚合规则来导出。虽然通常图U-Net是一个以节点为中心的架构,其中图嵌入主要取决于节点属性,但我们提出了一个以图为中心的架构,其中节点特征嵌入基于图拓扑。其次,受图谱理论的启发,我们通过使用GSR层和两个图卷积网络层超解析低分辨率脑图结构和节点内容来打破U-Net架构的对称性,以进一步学习HR图中的节点嵌入。第三,为了处理地面实况和预测的HR脑图之间的域转移,我们结合了对抗正则化来对齐它们各自的分布。我们提出的AGSR-Net框架在从低分辨率图像预测高分辨率功能脑图方面优于其变体。我们的AGSR-Net代码可以在GitHub上找到,网址是https://github.com/basiralab/AGSR-Net。
2021-05-02 cs.CV cs.LG eess.IV
Combining imaging and shape features for prediction tasks of Alzheimer's disease classification and brain age regression
Imperial College London(伦敦帝国学院);Aswan Heart Centre(阿斯旺心脏中心)
本研究提出融合ResNet图像嵌入与定制图神经网络形状嵌入的模型,用于脑年龄预测和阿尔茨海默病分类,经公开数据集验证,两项任务性能均提升,分类任务增益显著。
2025-01-14 cs.CV cs.LG eess.IV
Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Emory University(埃默里大学);Lehigh University(理海大学)
多模态脑网络从结构和功能两个方面刻画了不同脑区之间的复杂连接,为精神疾病的分析提供了新的手段。最近,图神经网络(GNN)已成为分析图结构数据的事实模型。然而,如何使用GNN从多种模式的大脑网络中提取有效的表征仍然很少探索。此外,由于大脑网络不提供初始节点特征,因此如何设计信息节点属性并利用GNN的边权重进行学习尚未解决。为此,我们开发了一种新的多视图GNN多模态脑网络。特别是,我们把每一种模态看作是大脑网络的一个视图,并采用对比学习进行多模态融合。然后,我们提出了一个GNN模型,它利用的消息传递计划的基础上度统计和大脑区域的连通性传播的消息。在两个真实世界的疾病数据集(HIV和Bipolar)上进行的广泛实验证明了我们所提出的方法在最先进的基线上的有效性。
2022-05-24 cs.LG physics.med-ph q-bio.NC
$k$-Graph: A Graph Embedding for Interpretable Time Series Clustering
本文提出无监督图嵌入方法 $k$-Graph,通过多长度子序列图表示支持变长时间序列聚类,在准确率上超过现有先进算法并增强结果可解释性。
2025-02-18 cs.LG
Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders
University of Texas at Arlington(德克萨斯大学阿灵顿分校);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Pittsburgh(匹兹堡大学);POSTECH(浦项科技大学)
针对现有图神经网络关注节点而不适合脑连接分类的问题,提出多分辨率边网络(MENET),通过新颖的图边级转换捕获多分辨率连接组特征,实现准确预测诊断标签并识别与神经障碍高度相关的脑连接。
2024-09-26 cs.CV cs.LG
BrainHGT: A Hierarchical Graph Transformer for Interpretable Brain Network Analysis
BrainHGT通过分层图变换器实现对脑网络的可解释性分析,利用长-短范围注意力机制和先验引导聚类模块,提高疾病识别性能和功能模块捕捉能力。
2025-11-18 cs.AI cs.LG
Multiple-view clustering for identifying subject clusters and brain sub-networks using functional connectivity matrices without vectorization
Okinawa Institute of Science and Technology Graduate University(冲绳科学技术大学院大学);Advanced Telecommunications Research Institutes International(国际先进电信研究所);RIKEN(理化学研究所);Nara Institute of Science and Technology(奈良先端科学技术大学院大学)
在神经科学中,功能性磁共振成像(fMRI)是一种非侵入性获取大脑活动的重要工具。使用功能磁共振成像,可以推断大脑区域之间的功能连接(FC),这有助于发现大脑的基本特性。作为模糊聚类的一个重要临床应用,基于模糊聚类的受试者聚类近年来受到广泛关注,它可以揭示精神疾病亚型等受试者的重要异质性。特别是,多视图聚类方法是一个强大的分析工具,它确定了集群模式的主题取决于他们的FC在特定的大脑区域。然而,当将现有的多视图聚类方法应用于fMRI数据时,需要简化数据结构,独立地处理FC矩阵中的元素,即,向量化相关矩阵。这种简化可能会扭曲聚类结果。为了克服这个问题,我们提出了一种新的基于Wishart混合模型的多视图聚类方法,它保留了相关矩阵的结构,而无需矢量化。该方法的独特之处在于,主题的多视图聚类基于特定的节点网络(或感兴趣区域,ROIs),并以数据驱动的方式进行优化。因此,它可以识别主题集群解决方案和ROI子网络之间的多个潜在的关联对。该方法的关键假设是子网络之间的独立性,这是有效地解决白化相关矩阵。我们将所提出的方法应用于合成和fMRI数据,证明了所提出的方法的有用性和功率。
2021-02-11 cs.LG stat.ML
Riemannian-geometry-based modeling and clustering of network-wide non-stationary time series: The brain-network case
US Army Research Laboratory(美国陆军研究实验室)
本文提倡在网络范围内的非平稳时间序列分析的上下文中的黎曼多流形建模。时间序列数据,随着时间的推移和整个网络顺序收集,产生的功能被视为点或接近黎曼流形的多个子流形的联合,并区分不同的时间序列相当于聚类多个黎曼子流形。为了支持利用时间序列的许多统计特征背后的潜在黎曼几何有利于从网络数据中学习的说法,本文重点关注脑网络,并提出了两种用于网络范围的动态时间序列的特征生成方案。第一个是出于格兰杰因果关系的论点,并使用自回归移动平均模型映射低秩线性向量子空间,适当定义的可观测性矩阵的列向量,到点到格拉斯曼流形。第二个利用网络节点之间的(非线性)依赖关系,通过引入基于核的偏相关来生成正定矩阵流形中的点。利用最近发展的研究聚类黎曼子流形,算法提供了区分时间序列的基础上,揭示在黎曼特征空间的几何性质。大量的数值测试表明,所提出的框架优于经典和国家的最先进的技术,在聚类的大脑网络状态/结构隐藏在合成的功能磁共振成像时间序列和大脑活动信号从真正的大脑网络结构连接矩阵。
2017-01-26 cs.LG stat.ML
Brain-Network Clustering via Kernel-ARMA Modeling and the Grassmannian
University at Buffalo, The State University of New York (SUNY)(纽约州立大学布法罗分校);Drexel University(德雷塞尔大学);Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院)
随着神经科学、功能磁共振成像(fMRI)和脑电图(EEG)技术的发展,人们对通过时间序列分析进行脑网络聚类的兴趣越来越大。尽管如此,大多数脑网络聚类方法都围绕状态聚类和/或节点聚类(也称为节点聚类)。社区发现或拓扑推断)。这项工作首先回答了需要捕捉非线性节点的依赖关系,提出了一种新的特征提取机制,通过内核自回归移动平均建模。提取的特征被映射到格拉斯曼流形(格拉斯曼流形),它由一个固定的秩的所有线性子空间。通过格拉斯曼的黎曼几何,提供了一个统一的聚类框架来解决网络中所有可能的聚类问题:聚类多个状态,检测状态中的社区,甚至识别/跟踪子网状态序列。所提出的方法的有效性强调了广泛的数值试验的合成和真实的fMRI/EEG数据,这表明所倡导的学习方法相比,有利的几个国家的最先进的聚类方案。
2019-06-05 cs.LG eess.SP stat.ML
Network Clustering Via Kernel-ARMA Modeling and the Grassmannian The Brain-Network Case
University at Buffalo, The State University of New York (SUNY)(纽约州立大学布法罗分校);Drexel University(德雷塞尔大学);Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院)
本文介绍了一个聚类框架的节点与时间序列数据注释的网络。该框架解决了所有类型的网络聚类问题:状态聚类,状态内的节点聚类(也称为状态聚类)。拓扑识别或社区发现),甚至子网络状态序列识别/跟踪。通过自下而上的方法,首先从原始节点时间序列数据中提取特征,通过内核自回归移动平均建模来揭示非线性依赖关系和低秩表示,然后映射到格拉斯曼流形(格拉斯曼)。所有的聚类任务都是通过以一种新颖的方式利用格拉斯曼的基本黎曼几何来执行的。为了验证所提出的框架,脑网络聚类被认为是,在合成和真正的功能磁共振成像(fMRI)数据的广泛的数值测试表明,倡导的学习框架相比有利的几个国家的最先进的聚类方案。
2020-02-18 cs.LG cs.SI stat.ML
Small-sample Brain Mapping: Sparse Recovery on Spatially Correlated Designs with Randomization and Clustering
INRIA(法国国家信息与自动化研究所);NeuroSpin(NeuroSpin神经影像研究中心);CEA(法国原子能委员会)
功能性神经成像可以测量大脑?人对外界刺激的反应。它被用来执行大脑映射:从这些观察中识别所涉及的大脑区域。这个问题可以被转换成线性监督学习任务,其中神经成像数据被用作刺激的预测器。大脑映射然后被看作是一个支持恢复问题。在功能性MRI(fMRI)数据上,这个问题特别具有挑战性,因为i)由于有限的采集时间,样本的数量很少,以及ii)变量是强相关的。我们建议克服这些困难,通过聚类的原始变量得到的新变量使用稀疏回归模型。使用随机化技术,例如自举样本和变量聚类,可以提高稀疏方法的恢复性能。我们证明了我们的方法在广泛的模拟研究以及两个fMRI数据集的好处。
2012-06-27 cs.CV cs.LG stat.AP
Connectivity-Driven Brain Parcellation via Consensus Clustering
The Institute for Information Transmission Problems(信息传输问题研究所);National Research University Higher School of Economics(国立研究型高等经济大学);University of Southern California(南加州大学);Illinois Institute of Technology(伊利诺伊理工学院)
我们提出了两个相关的方法,从个人的连接体推导出基于连接性的大脑图谱。所提出的方法利用了先前提出的密集连接表示,称为连续连接,首先执行基于图形的层次聚类的个人大脑,随后聚合到一个共识parcellation的个人包裹。对共识的搜索最小化了聚类成员距离的总和,有效地估计了单个包裹的伪Karcher平均值。我们使用(1)Kullback-Liebler和Jensen-Shannon分歧来评估我们的包裹质量,(2)半球间对称性,(3)简化连接体在生物性别分类任务中的表现。我们发现,在所有三个评估中,使用分层深度3的贪婪搜索计算的基于包裹的地图集优于所有其他基于包裹的地图集以及标准的Dessikan-Killiany解剖地图集。
2018-08-10 cs.LG q-bio.NC stat.ML
MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain Diseases
University of Pennsylvania(宾夕法尼亚大学);Columbia University(哥伦比亚大学);Washington University in St. Louis(圣路易斯华盛顿大学)
越来越多的临床、解剖学和功能学证据表明,神经精神和神经退行性疾病(如精神分裂症和阿尔茨海默病(AD))的异质性表现。阐明疾病的不同亚型可以更好地理解神经发病机制,并使开发有针对性的治疗方案成为可能。最近的半监督聚类技术提供了一种数据驱动的方式来理解疾病的异质性。然而,现有的方法没有考虑到这种疾病的亚型可能会在大脑的不同空间尺度上出现。在这里,我们介绍了一种新的方法,MAGIC,通过利用多尺度聚类来揭示疾病的异质性。我们首先提取结构协方差(PSC)的多尺度模式,然后在不同尺度的PSC上进行半监督聚类,并进行双循环块优化。我们使用模拟的异质性神经解剖数据验证MAGIC,并通过对228名认知正常(CN)和191名患者进行T1 MRI扫描探索AD的异质性来证明其临床潜力。我们的研究结果表明,AD的两个主要亚型具有不同的萎缩模式,包括在海马中的细尺度萎缩以及在皮质区域的大尺度萎缩。两种亚型的临床评价进一步证实了异质性的证据,这表明有一个AD患者亚群往往更年轻,认知能力下降更快,而另一个亚群往往更年长,认知能力保持相对稳定的下降。
2020-07-10 cs.LG stat.ML
N2D: (Not Too) Deep Clustering via Clustering the Local Manifold of an Autoencoded Embedding
University of Bristol(布里斯托大学)
深度聚类已经越来越多地显示出优于传统的浅聚类算法。深度聚类算法通常将表示学习与深度神经网络相结合以实现此性能,通常优化聚类和非聚类损失。在这种情况下,自动编码器通常与聚类网络连接,并且最终的聚类由自动编码器和聚类网络共同学习。相反,我们建议学习自动编码的嵌入,然后进一步搜索底层流形。为了简单起见,我们使用浅聚类算法对其进行聚类,而不是更深的网络。我们在原始数据和自动编码嵌入上研究了一些局部和全局流形学习方法,得出的结论是,我们框架中的UMAP最能找到嵌入中最具聚类性的流形,这表明自动编码嵌入上的局部流形学习对于发现更高质量的发现聚类是有效的。我们在一系列图像和时间序列数据集上定量显示,我们的方法与最新的深度聚类算法相比具有竞争力的性能,包括在几个方面优于当前最先进的算法。我们假设,这些结果显示了一个有前途的研究方向,深度聚类。代码可以在https://github.com/rymc/n2d上找到
2020-06-30 cs.LG stat.ML
Canonical Tail Dependence for Soft Extremal Clustering of Multichannel Brain Signals
Statistics Program, Computer Electrical and Mathematical Science & Engineering, King Abdullah University of Science and Technology(统计学项目,计算机电气和数学科学与工程,国王阿卜杜勒-阿齐兹大学科学与技术学院);School of Mathematics and Maxwell Institute for Mathematical Sciences, University of Edinburgh(数学学院和数学科学麦克斯韦研究所,爱丁堡大学)
本文提出了一种基于尾部依赖性的脑信号软聚类方法,用于识别癫痫发作及相关风险。
2025-12-06 cs.LG stat.ML
Regularized Non-negative Spectral Embedding for Clustering
Beihang University(北京航空航天大学)
谱聚类是一种将数据点分成组的流行技术,特别是对于复杂的数据集。谱聚类家族中的算法通常由多个单独的阶段组成(例如相似性矩阵构建,低维嵌入和作为后处理的K-Means聚类),由于不同阶段之间可能存在不匹配,因此可能导致次优结果。在本文中,我们提出了一个端到端的单阶段学习方法聚类称为正则化非负谱嵌入(RNSE),扩展了谱聚类与自适应学习的相似性矩阵,同时利用非负约束,以促进一步聚类(直接从数据点到聚类标签)。两个有充分根据的方法,连续交替投影和战略乘法更新,解决了相当具有挑战性的优化问题的RNSE。在合成数据集和真实数据集上进行的大量实验表明,RNSE的聚类性能优于一些最先进的竞争对手。
2019-11-01 cs.LG stat.ML
Consensus Clustering: An Embedding Perspective, Extension and Beyond
Brandeis University(布兰迪斯大学);Northeastern University(东北大学);IUPUI(印第安纳大学与普渡大学印第安纳波利斯联合分校)
一致性聚类融合了不同的基本分区(即,从传统的聚类方法获得的聚类结果)到一个集成的一个,由于它的鲁棒性和有效的性能,在学术界和工业界引起了越来越多的关注。为了在算法和应用方面使这一领域蓬勃发展,已经进行了大量的研究工作。虽然有一些调查文件总结现有的文献,他们忽视了探讨不同类别之间的潜在联系。因此,在本文中,我们的目标是提供一个嵌入前景来说明共识机制,该机制将分类基本划分转移到其他表示(例如,二进制编码、谱嵌入等)用于聚类目的。为此,我们不仅统一了共识聚类的两个主要类别,而且还在共识聚类和图嵌入之间建立了直观的联系。此外,我们阐述了几个扩展的经典共识聚类从不同的设置和问题。除此之外,我们还演示了如何利用共识聚类来解决其他任务,如约束聚类、领域自适应、特征选择和离群值检测。最后,我们总结了这一调查与未来的工作在解释性,可学习性和理论分析。
2019-05-31 cs.LG stat.ML
Hierarchical Correlation Clustering and Tree Preserving Embedding
Chalmers University of Technology(查尔姆斯理工大学);Amirkabir University of Technology (Tehran Polytechnic)(阿米尔卡比尔理工大学(德黑兰理工大学))
提出层次相关聚类方法以处理正负成对不相似性,并结合树保留嵌入与极小极大距离扩展进行无监督表示学习,在多个数据集上验证了方法性能。
2025-02-03 cs.LG stat.ML
DBGDGM: Dynamic Brain Graph Deep Generative Model
University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所);University of Rome Tor Vergata(罗马第二大学);Harvard Medical School(哈佛医学院)
图形是从功能磁成像(fMRI)数据中得出的大脑活动的自然表示。众所周知,被称为功能连接网络(FCN)的解剖大脑区域的集群编码时间关系,可以作为理解大脑功能和功能障碍的有用生物标志物。然而,以前的作品,忽略了大脑的时间动态和静态图形的重点。在本文中,我们提出了一个动态脑图深度生成模型(DBGDGM),它同时将大脑区域聚类为时间演化的社区,并学习动态无监督节点嵌入。具体来说,DBGDGM将脑图节点表示为从随时间演变的社区分布中采样的嵌入。我们使用神经网络参数化这个社区分布,该网络从主题和节点嵌入以及过去的社区分配中学习。实验表明,DBGDGM在图生成、动态链接预测方面优于基线,并且在图分类方面具有可比性。最后,对学习社区分布的分析揭示了与神经科学文献中报道的已知FCN的重叠。
2023-01-26 cs.LG stat.ML
Transformer-Based Hierarchical Clustering for Brain Network Analysis
Stanford University(斯坦福大学);Emory University(埃默里大学)
提出一种可解释的基于Transformer的模型,联合进行层次聚类与脑网络分类,在真实数据集上提升准确率并降低复杂度。
2023-05-06 cs.CV cs.LG cs.NE
A Semi-Definite Programming approach to low dimensional embedding for unsupervised clustering
National Physical Laboratory(英国国家物理实验室);Université de Bourgogne Franche-Comté(勃艮第-弗朗什-孔泰大学);Digital Surf(Digital Surf公司)
本文提出了一个变形的Guédon和Verhynin的方法估计的聚类矩阵的混合高斯框架下通过半定规划。一个面向聚类的嵌入推导出这个估计。该过程适用于非常高维的数据,因为它只基于成对距离。理论guarantees提供和特征值优化方法,提出了计算嵌入。通过蒙特卡罗实验和与文献中其他嵌入的比较,说明了该方法的性能。
2016-06-29 cs.LG stat.ML
Branching embedding: A heuristic dimensionality reduction algorithm based on hierarchical clustering
University of Toyama(富山大学);Institute of Natural Medicine, University of Toyama, Japan(富山大学自然医学研究所)
本文提出了一种新的降维算法-分支嵌入(BE)。它将树状图转换为二维散点图,并可视化原始高维数据的固有结构。由于转换部分在计算上要求不高,因此BE算法对于已经执行了分层聚类的情况将是有益的。数值实验表明,该算法的输出适度地保持了原有的层次结构。
2018-05-06 cs.LG stat.ML
Joint Optimization of an Autoencoder for Clustering and Embedding
UiT The Arctic University of Norway(挪威北极圈大学);Institute of Information Systems(信息系统研究所)
深度嵌入式聚类已经成为使用深度神经网络对对象进行无监督分类的主要方法。最流行的方法的优化在深度自动编码器的训练和自动编码器嵌入的k均值聚类之间交替。然而,历时性的背景使前者无法从后者获得的有价值的信息中获益。在本文中,我们提出了一种替代方案,其中自动编码器和聚类同时学习。这是通过提供新的理论见解来实现的,在那里我们表明,某一类高斯混合模型(GMM)的目标函数可以自然地被改写为一个隐藏层自动编码器的损失函数,从而继承了GMM的内置聚类能力。这个简单的神经网络,被称为聚类模块,可以被集成到深度自动编码器中,从而产生能够联合学习聚类和嵌入的深度聚类模型。实验证明了聚类模型与高斯混合模型的等价性。进一步的评估肯定了我们的深度架构的经验相关性,因为它在几个数据集上的表现优于相关基线。
2021-05-01 cs.LG stat.ML
Learnable Community-Aware Transformer for Brain Connectome Analysis with Token Clustering
The University of British Columbia(不列颠哥伦比亚大学);Vector Institute(向量研究所);Yale University(耶鲁大学)
提出TC-BrainTF模型,通过可学习提示token与正交损失实现脑ROI的社区聚类与分类联合学习,在ABIDE和HCP数据集上提升ASD识别和性别分类的准确性。
2024-03-13 cs.LG eess.IV q-bio.NC
Community-preserving Graph Convolutions for Structural and Functional Joint Embedding of Brain Networks
Tongji University(同济大学);Google Research(谷歌研究院);Intel Labs(英特尔实验室);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);The University of Chicago(芝加哥大学);Northwestern University(西北大学)
由于脑网络对于理解人脑组织、研究神经系统疾病和临床诊断应用的重要意义,脑网络受到了相当大的关注。结构脑网络(如DTI)和功能脑网络(如fMRI)是主要的感兴趣的网络。现有的脑网络分析大多集中在结构或功能连接上,不能充分利用彼此之间的互补信息。虽然已经提出了多视图学习方法来从两个网络(或视图)学习,但这些方法旨在在多个视图之间达成共识,因此可以忽略每个视图的不同内在属性。如何从结构和功能脑网络中联合学习表征,同时保持其固有特性是一个关键问题。本文提出了一种Siamese社区保持图卷积网络(SCP-GCN)框架,用于学习脑网络的结构和功能联合嵌入。具体来说,我们使用图卷积来学习结构和功能联合嵌入,其中图结构是用结构连通性定义的,节点特征来自功能连通性。此外,我们建议通过考虑学习过程中的社区内和社区间属性来保持图卷积中大脑网络的社区结构。此外,我们使用Siamese架构,该架构对成对相似性学习进行建模,以指导学习过程。为了评估所提出的方法,我们在两个真实的大脑网络数据集上进行了广泛的实验。实验结果表明,该方法在神经系统疾病分析的结构和功能关节嵌入方面具有优越的性能,表明其具有良好的临床应用价值。
2019-11-08 cs.LG eess.IV stat.ML
A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks
McGovern Institute for Brain Research, Massachusetts Institute of Technology(麻省理工学院麦戈文脑研究所);Complutense University of Madrid(马德里康普顿斯大学);Harvard Medical School(哈佛医学院)
表征与阿尔茨海默病(AD)的病理级联相关的功能性脑网络的细微变化对于在临床症状之前早期诊断和预测疾病进展是重要的。我们开发了一种新的深度学习方法,称为多图高斯嵌入模型(MG2G),它可以通过将高维静息态大脑网络映射到低维潜在空间来学习高度信息化的网络特征。这些基于潜在分布的嵌入能够定量表征不同区域的细微和异质的大脑连接模式,并且可以用作传统分类器的输入,用于各种下游图形分析任务,例如AD早期预测和跨大脑区域的组间显著改变的统计评估。我们使用MG2G检测MEG脑网络的内在潜在维度,预测轻度认知障碍(MCI)患者向AD的进展,并识别与MCI相关的网络改变的脑区。
2020-11-10 cs.LG eess.SP q-bio.NC
Deep Clustering Evaluation: How to Validate Internal Clustering Validation Measures
University of Kentucky(肯塔基大学)
本文针对深度聚类评估中传统内部聚类验证指标的问题,提出一套系统评估框架,通过理论分析、识别可靠嵌入空间及加权评分,减少不当使用指标的误导,提升与外部指标的一致性。
2026-08-25 cs.LG stat.ML
Penalized model-based clustering of fMRI data
University of Minnesota(明尼苏达大学)
功能性磁共振成像(fMRI)数据已经变得越来越可用,并且用于描述功能连接(FC),即大脑区域中神经元活动的相关性。大脑的FC提供了对某些神经退行性疾病和精神疾病的洞察,因此具有临床重要性。为了帮助医生了解患者的诊断,需要基于FC对受试者进行无监督聚类,从而允许数据根据共享的连通性特征告知我们患者分组。由于FC的异质性甚至在同一组内的患者之间也存在,因此重要的是允许受试者水平的连接差异,同时仍然汇总各组内患者的信息以描述组水平的FC。为此,我们提出了一个随机协方差聚类模型(RCCM),同时集群的基础上,他们的FC网络的主题,估计每个主题的唯一FC网络,并推断共享的网络功能。虽然目前的方法存在估计FC或聚类科目使用功能磁共振成像数据,我们的新的贡献是集群或分组科目的基础上类似的FC的大脑,同时提供组和主题级FC网络估计。RCCM相对于其他方法的竞争力表现,通过在各种设置中的模拟,实现改进的主题聚类和FC网络的估计。所提出的方法的实用性证明与应用程序的静息状态fMRI数据集收集43名健康对照和61名被诊断为精神分裂症的参与者。
2020-10-13 cs.LG stat.ML
Smile-GANs: Semi-supervised clustering via GANs for dissecting brain disease heterogeneity from medical images
University of Pennsylvania(宾夕法尼亚大学)
应用于复杂生物医学数据的机器学习方法已经能够构建具有诊断/预后价值的疾病特征。然而,很少有人注意到了解疾病的异质性。半监督聚类方法可以通过估计从(例如健康)对照(CN)组到患者(PT)组的多个转换来解决这个问题,试图捕获潜在病理过程的异质性。在此,我们提出了一种新的方法,微笑-GANs(SeMi-supervised cLustEring via GANs),用于半监督聚类,并将其应用于脑MRI扫描。Smile-GAN首先通过从CN生成PT来学习多个不同的映射,每个映射都表征一个相对不同的病理模式。此外,聚类模型与映射函数交互训练,以将PT分配到相应的子类型成员。通过对PT/CN数据分布的宽松假设和施加映射非线性,Smile-GANs捕获CN和PT域之间分布的异质差异。我们首先使用模拟数据验证Smile-GANs,随后在真实数据上验证,通过展示其在表征阿尔茨海默病(AD)及其前驱期异质性方面的潜力。该模型首先使用ADNI 2数据库的基线MRI进行训练,然后应用于ADNI 1和BLSA的纵向数据。发现了四种具有不同神经解剖学模式的稳健亚型:1)正常脑,2)非典型AD的弥漫性萎缩,3)局灶性内侧颞叶萎缩,4)典型AD。进一步的纵向分析发现了从前驱期到完全AD的两种不同的进展途径:i)亚型1 - 2 - 4,和ii)亚型1 - 3 - 4。虽然在一个重要的生物医学问题上得到了证明,但Sm…
2020-06-27 cs.LG eess.IV q-bio.QM
Re-embedding data to strengthen recovery guarantees of clustering
Cornell University(康奈尔大学);University of Waterloo(滑铁卢大学)
我们提出了一种聚类方法,涉及链接到一个管道产生一个算法的四个组件分别比任何更强的恢复保证四个已知的技术。给定$\mathbb R^d$中的$n$点,我们的管道的第一个组成部分,我们称之为蛙跳距离,让人想起基于密度的聚类,产生一个$n\times n$距离矩阵。然后,使用多维缩放和谱方法(两种其他已知技术)将蛙跳距离转换为新的嵌入,从而产生$\mathbb R^{d'}$中的$n$点的新嵌入,其中$d'$通常满足$d'\ll d$。最后,范数和(SON)聚类应用于重新嵌入的点。虽然第四步(SON聚类)原则上可以被任何其他聚类方法取代,但我们的重点是恢复底层结构的可证明保证。因此,我们确定重新嵌入提高了恢复SON聚类,因为SON聚类是一种已经具有可证明保证的研究充分的方法。
2023-01-26 cs.LG math.OC stat.ML
Residual Embedding Similarity-Based Network Selection for Predicting Brain Network Evolution Trajectory from a Single Observation
Istanbul Technical University(伊斯坦布尔理工大学);University of Sousse(苏塞大学)
虽然现有的预测框架能够处理欧几里德结构化数据(即大脑图像),但它们可能无法推广到几何非欧几里德数据,如大脑网络。此外,这些都植根于样本选择步骤中使用欧几里得或学习向量化训练和测试大脑网络之间的相似性度量。这样的样本连接组表示可能包括可能误导训练样本选择步骤的不相关和冗余特征。毫无疑问,这未能利用和保护大脑连接体的拓扑结构。为了克服这个主要缺点,我们提出了基于残差嵌入相似性的网络选择(RESNets),用于从单个时间点预测大脑网络的进化轨迹。RESNets首先使用对抗性连接体嵌入网络学习每个训练和测试样本的紧凑几何嵌入。这很好地降低了大脑网络的高维性,同时通过图卷积网络保留了它们的拓扑特性。接下来,为了计算受试者之间的相似性,我们引入了连接大脑模板(CBT)的概念,这是一个固定的网络参考,我们进一步将每个训练和测试网络表示为嵌入空间中与参考CBT的偏差。因此,我们通过比较他们相对于预定义的CBT的学习残差嵌入,选择与基线测试对象最相似的训练对象。一旦在基线选择了最佳训练样本,我们只需在后续时间点对其相应的大脑网络进行平均,即可预测测试网络的进化轨迹。我们在健康和紊乱的大脑网络上的实验表明,与RESNets消融版本和传统方法相比,我们提出的方法是成功的。
2020-09-23 cs.CV cs.LG
ASD Classification on Dynamic Brain Connectome using Temporal Random Walk with Transformer-based Dynamic Network Embedding
Institute of Data and Information, Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院数据与信息研究所)
针对静态脑连接组难以表征脑活动时变特性的问题,提出BrainTWT动态网络嵌入方法,结合时间随机游走与Transformer学习判别表示,并在ABIDE上提升ASD分类性能。
2025-03-16 cs.LG q-bio.NC
Clustering, Hamming Embedding, Generalized LSH and the Max Norm
Toyota Technological Institute at Chicago(芝加哥丰田理工学院)
我们研究了聚类和汉明嵌入的凸松弛,重点是非对称情况(共同聚类和非对称汉明嵌入),理解它们与LSH(Charikar 2002)和最大范数球的关系,以及它们的对称和非对称版本之间的差异。
2014-05-13 cs.LG
Aligning Brain Signals with Multimodal Speech and Vision Embeddings
Carnegie Mellon University(卡内基梅隆大学)
本文研究预训练模型不同层级的语音和视觉嵌入与自然语音感知EEG信号的对齐,发现结合多模态、层级感知表征有助于更深入解码大脑对语言的经验性理解。
2025-11-10 cs.AI cs.LG
RegionFM: Interpretable Region-Based Brain MRI Classification Using Foundation Model Embeddings
L3S Research Center(L3S研究中心)
研究针对脑MRI基础模型预测难解释问题,提出RegionFM框架,将解剖分割与基础模型嵌入结合,通过划分区域、编码嵌入及构建模型组合,用于认知障碍分类评估,在保持性能同时使解释与临床推理更好对齐。
2026-10-01 cs.CV cs.LG
Functional Parcellation of fMRI data using multistage k-means clustering
Texas Tech University(得克萨斯理工大学);Lister Hill National Center for Biomedical Communications, National Library of Medicine, National Institutes of Health(美国国立卫生研究院国家医学图书馆利斯特·希尔国家生物医学传播中心)
目的:通过静息状态研究获得的功能性磁共振成像(fMRI)数据已被用于获得有关大脑内部自发激活的信息。静息态功能磁共振成像数据的分析和解释的方法之一,需要空间和功能均匀的包裹整个大脑的基础上潜在的时间波动。聚类经常被用来生成功能性划分。然而,主要的聚类算法,当用于fMRI数据,有其局限性。在常用的分割方案中,在簇内功能相似性和与解剖区域的对齐之间存在折衷。方法:在这项工作中,我们提出了一个聚类算法的静息状态和任务的功能磁共振成像数据,开发,以获得大脑包裹,表现出较高的结构和功能的同质性。聚类是由多级二进制k-means聚类算法专门设计的4D fMRI数据。这种多级k-means算法的结果表明,通过修改和组合不同的算法,我们可以利用不同技术的优势,同时克服它们的局限性。结果如下:静息状态的功能磁共振成像数据的聚类输出使用多级k-均值方法被证明是优于简单的k-均值或功能图谱的空间和功能的同质性。这些集群也对应于通常可识别的大脑网络。对于任务功能磁共振成像,聚类输出可以识别主要和次要激活区域,并提供有关不同大脑区域的不同血液动力学反应的信息。结论:多阶段k-means方法可以利用静息态fMRI数据提供脑功能分区。该方法是无模型的,是数据驱动的,可应用于静息状态和任务fMRI。
2022-02-19 cs.LG eess.IV q-bio.QM
Variational Co-embedding Learning for Attributed Network Clustering
Data Science Institute, University of Technology Sydney(悉尼科技大学数据科学研究所);School of Information Technology, Deakin University(迪肯大学信息技术学院);School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院);School of Computer Science, University of Technology Sydney(悉尼科技大学计算机科学学院)
最近的工作,属性网络聚类利用图卷积获得节点嵌入,同时执行嵌入空间上的聚类分配。由于图卷积结合了节点嵌入学习的结构和属性信息,因此是有效的。然而,这样的工作的一个主要局限性是,图卷积只结合了来自节点的局部邻域的属性信息,但未能利用节点和属性之间的相互亲和力。在这方面,我们提出了一个变分共嵌入学习模型属性网络聚类(VCLANC)。VCLANC是由双变分自动编码器,同时嵌入节点和属性。在此基础上,从嵌入空间中重构出节点与属性之间的相互亲和度信息,作为额外的自监督知识用于表示学习。同时,可训练的高斯混合模型被用作先验知识来推断节点聚类分配。为了加强推断的集群的性能,我们使用的高斯先验的中心和聚类分配硬化损失的节点嵌入的相互距离损失。四个真实世界的属性网络数据集上的实验结果表明,所提出的VCLANC属性网络聚类的有效性。
2021-04-15 cs.AI cs.LG stat.ML
Feature Embedding Clustering using POCS-based Clustering Algorithm
Myongji University(明知大学)
本研究将基于POCS的新型聚类算法应用于特征嵌入问题,通过将数据点视为凸集、并行投影更新原型来优化聚类,在合成嵌入数据集上表现优于经典聚类算法。
2023-03-25 cs.LG
AutoEmbedder: A semi-supervised DNN embedding system for clustering
Bangladesh University of Business & Technology(孟加拉国商业与技术大学);King Abdulaziz University(阿卜杜勒阿齐兹国王大学)
聚类是处理无标记数据的无监督学习方法中广泛使用的一种。深度集群已成为一个流行的研究领域,它将集群与深度神经网络(DNN)架构联系起来。深度聚类方法对高维数据进行下采样,这也可能与聚类损失有关。深度聚类也被引入到半监督学习(SSL)中。大多数SSL方法依赖于成对约束信息,这是一个矩阵,包含数据对是否可以在同一个集群中的知识。本文介绍了一种新的嵌入系统AutoEmbedder,下采样高维数据的聚类嵌入点。据我们所知,这是第一个与传统分类器DNN架构相关的研究工作,具有成对损失减少技术。训练过程是半监督的,并使用Siamese网络架构来计算特征学习阶段的成对约束损失。AutoEmbedder优于大多数现有的基于DNN的半监督方法,这些方法在著名的数据集上进行了测试。
2020-07-11 cs.CV cs.LG stat.ML
Statistical Learning for Latent Embedding Alignment with Application to Brain Encoding and Decoding
University of California at Berkeley(加州大学伯克利分校)
本文提出轻量级对齐框架,通过逆半监督学习和元转移学习提升有限fMRI-刺激配对数据下的样本效率,实现脑编码解码的高效计算与理论分析。
2026-03-22 cs.LG stat.ME
Large Scale Spectral Clustering Using Approximate Commute Time Embedding
School of IT, University of Sydney(悉尼大学信息技术学院)
谱聚类是一种新的聚类方法,它可以检测复杂形状的数据簇。但是,它需要图的拉普拉斯矩阵的特征分解,这是成比例的$O(n^3)$,因此不适合于大规模系统。近年来,人们提出了许多方法来加速谱聚类的计算时间。这些近似方法通常涉及抽样技术,这可能会丢失原始数据的许多信息。在这项工作中,我们提出了一个快速和准确的谱聚类方法使用近似通勤时间嵌入,这是类似于谱嵌入。该方法不需要使用任何采样技术和计算任何特征向量。相反,它使用随机投影和线性时间求解器来找到近似嵌入。在几个人工数据集和真实数据集上的实验表明,该方法具有更好的聚类质量,比现有的近似谱聚类方法更快。
2012-02-29 cs.LG
From Representation to Clusters: A Contrastive Learning Approach for Attributed Hypergraph Clustering
本文提出了一种端到端的对比学习方法CAHC,用于属性超图聚类,通过联合嵌入和聚类优化实现节点嵌入学习与聚类结果的同步生成。
2026-03-10 cs.LG
Interpreting deep embeddings for disease progression clustering
BenevolentAI(BenevolentAI公司)
本文提出一种解释患者聚类中深度嵌入的新方法,在UK Biobank的2型糖尿病数据集上验证,揭示了具有临床意义的疾病进展模式。
2023-07-31 cs.CL cs.LG q-bio.QM
Clustering-based Tile Embedding (CTE): A General Representation for Level Design with Skewed Tile Distributions
Amii(阿尔伯塔机器智能研究所);University of Alberta(阿尔伯塔大学)
通过机器学习的过程级生成(PLGML),将ML技术应用于自动化级别生成,已经引起了极大的研究兴趣。最近的一个趋势是通过嵌入(例如瓦片嵌入)来学习关卡设计的表示。Tile Embeddings是游戏关卡的连续矢量表示,统一了视觉,上下文和行为信息。然而,原始的瓦片嵌入难以生成具有倾斜瓦片分布的水平。例如,超级马里奥兄弟(SMB),其中大部分图块表示背景。为了解决这个问题,我们提出了一个修改后的瓦片嵌入表示称为基于拼接的瓦片嵌入(CTE)。此外,我们采用聚类离散化的连续CTE表示,并提出了一种新的两步水平生成利用这两种表示。我们评估了我们的方法在生成具有倾斜瓷砖分布的可见和不可见游戏的水平方面的性能,并优于原始瓷砖嵌入。
2022-10-23 cs.LG
Sequential Embedding Induced Text Clustering, a Non-parametric Bayesian Approach
State University of New York at Buffalo(纽约州立大学布法罗分校);University of California, Irvine(加州大学欧文分校)
当前最先进的非参数贝叶斯文本聚类方法通过词袋上的多项分布对文档进行建模。虽然这些方法可以有效地利用文档的单词突发性表示,并取得不错的性能,但它们没有探索文本的顺序信息和同义词之间的关系。本文将文档建模为词袋、序列特征和词嵌入的结合点。我们提出了顺序嵌入诱导狄利克雷过程混合模型(SiDPMM),有效地利用这种联合文档表示文本聚类。序列特征由编码器-解码器组件提取。通过连续词袋模型(CBOW)产生的词嵌入来处理同义词。实验结果表明,我们的模型在两个主要方面的好处:1)提高了性能在多个不同的文本数据集的归一化互信息(NMI); 2)更准确的推理地面真理的聚类数与正则化效果的微小离群聚类。
2018-11-29 cs.IR cs.LG stat.ML
CAESAR: Clustering via Autonomous Embedding-Space Agglomerative Reorganization
提出CAESAR方法,通过训练重组网络优化预训练嵌入空间,无需预设聚类数K,在文本和图像数据集上优于现有深度聚类方法。
2026-09-29 cs.LG
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation
University of Texas Rio Grande Valley(德克萨斯大学里奥格兰德河谷分校);University of Maryland(马里兰大学);University of Pittsburgh(匹兹堡大学);Texas A&M University - Corpus Christi(德克萨斯农工大学科珀斯克里斯蒂分校);Emory University(埃默里大学);Lehigh University(利哈伊大学);University of Illinois at Chicago(芝加哥伊利诺伊大学);University of Southern California(南加州大学)
本研究提出STE-ODE框架,利用常微分方程和有向节点嵌入捕捉脑结构-效应网络的动态相互作用,并在HCP和OASIS数据集上验证了其在临床表型预测中的优势。
2024-05-21 cs.AI cs.LG
ESMC: MLLM-Based Embedding Selection for Explainable Multiple Clustering
ESMC利用多模态大语言模型实现用户驱动的可解释多聚类,通过嵌入选择和伪标签学习提升聚类准确性。
2025-11-30 cs.LG
Classification EM-PCA for clustering and embedding
Centre Borelli, Université Paris Cité(博雷利中心,巴黎城市大学)
本文提出结合PCA和CEM的算法,用于同时实现数据嵌入和聚类,解决高维数据的降维与快速收敛问题。
2025-11-24 cs.AI cs.CL cs.LG
Kinematics clustering enables head impact subtyping for better traumatic brain injury prediction
Stanford University(斯坦福大学)
各种类型的头部撞击可能会导致脑外伤。然而,由于不同的运动学特征,许多脑损伤风险估计模型在人类可能承受的各种影响中是不可推广的。当前头部撞击子类型的定义基于撞击源(例如,足球、交通事故),这可能无法反映不同冲击源冲击的内在运动学相似性。为了研究基于运动学的撞击子类型的潜在新定义,收集了来自各种来源的3,161次头部撞击,包括模拟,大学足球,混合武术和赛车。我们应用K-means聚类对头部旋转运动学对16个标准化时间特征的影响进行聚类。然后,我们开发了针对特定亚型的累积应变损伤岭回归模型(使用15%的阈值),与基线方法相比,该方法显著提高了估计精度,该基线方法混合了来自不同来源的影响并开发了一个模型(R^2从0.7到0.9)。为了研究运动学特征的影响,我们基于回归准确性提出了前三个关键特征(最大合成角加速度、沿z轴的最大角加速度、沿y轴的最大线性加速度),并使用逻辑斯谛回归来找到划分子类型的每个特征的关键点。这项研究使研究人员能够以数据驱动的方式定义头部撞击亚型,从而导致更普遍的脑损伤风险估计。
2021-08-07 cs.LG q-bio.QM q-bio.TO
Deep Embedding Clustering Driven by Sample Stability
Shanxi University(山西大学)
针对现有深度聚类依赖人工伪目标的问题,提出样本稳定性驱动的DECS算法,通过自编码器构建初始空间并学习受稳定性约束的聚类嵌入特征,经理论收敛验证和五数据集实验,性能优于现有最优聚类方法。
2024-01-29 cs.LG
Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images
University of South Dakota(南达科他大学);University of Tennessee(田纳西大学);New Jersey City University(新泽西城市大学);Lamar University(拉马尔大学);Gannon University(甘农大学)
本研究深入探究了基于MRI图像的CNN脑肿瘤检测方法,结合聚类特征提取和SoftMax分类,在测试数据上取得99.52%的最高准确率,为医学图像深度学习分析提供了有效工具。
2023-10-26 cs.CV cs.LG eess.IV
Effectiveness of Deep Image Embedding Clustering Methods on Tabular Data
Tennessee State University(田纳西州立大学)
文献中的深度学习方法通常是在图像数据集上进行基准测试的,这可能不是非图像表格数据的合适或有效基线。在本文中,我们采取以数据为中心的观点来执行表格数据的深度嵌入聚类的第一个研究之一。八个聚类和国家的最先进的嵌入聚类方法提出的图像数据集上测试七个表格数据集。我们的研究结果表明,传统的聚类方法在八种方法中排名第二,并且优于大多数深度嵌入聚类基线。我们的观察与文献一致,即表格数据的传统机器学习仍然是对抗深度学习的鲁棒方法。因此,最先进的嵌入式聚类方法应该考虑以数据为中心的学习架构定制,以成为表格数据的竞争基线。
2023-01-11 cs.AI cs.LG cs.NE
Objective-Based Hierarchical Clustering of Deep Embedding Vectors
ITMO University(圣彼得堡国立信息技术机械与光学大学);Indiana University, Bloomington(印第安纳大学伯明顿分校)
我们发起了一个全面的实验研究,基于客观的层次聚类方法对海量数据集组成的深度嵌入向量从计算机视觉和NLP应用。这包括各种各样的图像嵌入(ImageNet,ImageNet V2,NaBirds),词嵌入(Twitter,Wikipedia)和句子嵌入(SST-2)向量,这些向量来自最近几个流行的模型(例如ResNet,ResNext,Inception V3,SBERT)。我们的研究包括数据集高达$4.5$万个条目,嵌入维度高达$2048$。为了解决将层次聚类扩展到如此大的数据集的挑战,我们提出了一个新的实用的层次聚类算法B++&C。与广泛的经典方法和最近的算法相比,它对流行的Moseley-Wang(MW)/ Cohen-Addad等人(CKMM)目标(归一化)平均提高了5%/20%。我们还介绍了一个理论算法B2 SAT & C,实现了$0.74$ -近似的CKMM目标在多项式时间。这是第一次重大改进平凡的$2/3$ -近似实现的随机二叉树。在这项工作之前,$\approx 2/3 + 0.0004$的最佳多时间近似是由Charikar等人(SODA'19)提出的。
2022-06-08 cs.AI cs.DS cs.LG