[论文解读] Bootstrapping Graph Convolutional Neural Networks for Autism Spectrum Disorder Classification

Rushil Anirudh, Jayaraman J. Thiagarajan|arXiv (Cornell University)|Apr 24, 2017

Autism Spectrum Disorder Research被引用 9

一句话总结

该论文提出了一种自举图卷积神经网络（G-CNN）框架，通过边丢弃生成集成图，以减少对初始图构建的敏感性，从而在fMRI数据上提升自闭症谱系障碍（ASD）分类性能。该方法在ABIDE数据集上实现了70.86%的最先进准确率，优于先前的G-CNN方法，并在干净、噪声和朴素图上均表现出鲁棒性。

ABSTRACT

Using predictive models to identify patterns that can act as biomarkers for different neuropathoglogical conditions is becoming highly prevalent. In this paper, we consider the problem of Autism Spectrum Disorder (ASD) classification where previous work has shown that it can be beneficial to incorporate a wide variety of meta features, such as socio-cultural traits, into predictive modeling. A graph-based approach naturally suits these scenarios, where a contextual graph captures traits that characterize a population, while the specific brain activity patterns are utilized as a multivariate signal at the nodes. Graph neural networks have shown improvements in inferencing with graph-structured data. Though the underlying graph strongly dictates the overall performance, there exists no systematic way of choosing an appropriate graph in practice, thus making predictive models non-robust. To address this, we propose a bootstrapped version of graph convolutional neural networks (G-CNNs) that utilizes an ensemble of weakly trained G-CNNs, and reduce the sensitivity of models on the choice of graph construction. We demonstrate its effectiveness on the challenging Autism Brain Imaging Data Exchange (ABIDE) dataset and show that our approach improves upon recently proposed graph-based neural networks. We also show that our method remains more robust to noisy graphs.

研究动机与目标

• 解决图卷积网络（G-CNN）在自闭症谱系障碍（ASD）分类中对人群图选择的敏感性问题。
• 在基于fMRI的ASD预测中，提升使用弱构建或噪声人群图时的分类鲁棒性。
• 开发一种训练策略，通过图随机化实现集成学习，减少对专家设计图的依赖。
• 证明自举G-CNN可在不依赖额外数据或复杂图构建的情况下，超越最先进方法。

提出的方法

• 使用受试者层面特征（如性别、站点和fMRI连接模式）构建初始人群图。
• 通过随机丢弃原始图中30–40%的边，生成一组随机化图。
• 在每个随机化图上独立训练G-CNN，采用切比雪夫多项式（最高至3次）的ChebNet近似。
• 通过平均所有集成模型的softmax输出，并选择平均概率最高的类别，融合各模型预测结果。
• 在模型训练前，应用递归特征消除法将输入维度降低至2000维。
• 所有模型均训练200个周期，学习率为0.005，dropout率为0.3。

实验结果

研究问题

• RQ1 自举G-CNN能否降低ASD分类中对人群图选择的模型敏感性？
• RQ2 通过图随机化的集成学习是否能提升ABIDE fMRI数据集上的分类性能？
• RQ3 当初始图存在噪声或构建不良时，该方法表现如何？
• RQ4 简单的自举策略能否超越复杂且专家设计的图构建方法？

主要发现

• 所提出的自举G-CNN在ABIDE数据集上实现了70.86%的分类准确率，较先前最先进G-CNN方法高出1.36个百分点。
• 在朴素图（单位邻接矩阵）上，该方法达到67.85%的准确率，优于基线G-CNN（66.93%），即使在缺乏图信息的情况下也表现出有效性。
• 在丢弃30%边的噪声图上，该方法达到67.39%的准确率，优于基线G-CNN（66.35%），表明对图退化具有鲁棒性。
• 所有图类型下性能提升均保持一致，表明自举策略能有效缓解不良图构建的影响。
• 包含20–25个随机图、边丢弃率在30–40%的大型集成可获得最优性能，而较小的集成或较低的丢弃率则导致增益减少。