论文部分内容阅读
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,最后得出图卷积操作的概念原理与理论优势。随后,我们对人脑网络研究的相关知识与基本概念进行介绍。基于相关的学科背景,我们对人脑网络的结构连接与功能连接的关系进行介绍与分析,并在现有模型的基础上,结合图卷积操作对其进行改进,获得本文的改进模型。在此之后,我们对当前的主流图生成网络模型进行介绍,并根据数据要求从中选择合适的模型用于后续比对。最后,我们通过对比实验检查我们模型的结果。对比实验主要分为两部分,第一部分主要关注模型的预测效果,对比不同模型在数据集上的预测表现;第二部分主要关注模型的稳定性,对比模型在不同的干扰条件下是否能保持良好的性能。通过对比实验验证,我们的模型在两个部分中都保持了良好的结果。