Resumen

Las redes cerebrales proporcionan ideas esenciales para el diagnóstico de trastornos cerebrales funcionales, como la enfermedad de Alzheimer (EA). Se han aplicado muchos métodos de aprendizaje automático para aprender de imágenes cerebrales o redes en el espacio euclidiano. Sin embargo, sigue siendo un desafío aprender estructuras de red complejas y la conectividad de las regiones cerebrales en un espacio no euclidiano. Para abordar este problema, en este artículo, explotamos el estudio de la clasificación de redes cerebrales desde la perspectiva del aprendizaje de grafos. Proponemos un agregador basado en la máquina de aprendizaje extremo (ELM) que potencia la capacidad de agregación y eficiencia de la convolución de grafos sin ajuste iterativo. Luego, diseñamos una red neuronal en grafo llamada GNEA (Red Neuronal en Grafo con Agregador ELM) para la tarea de clasificación de grafos. Se realizan experimentos extensos utilizando un conjunto de datos de detección de EA del mundo real para evaluar y comparar el rend

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Redes cerebrales; Trastornos cerebrales funcionales; Métodos de aprendizaje automático; Aprendizaje de grafos; Máquina de aprendizaje extremo; Red neuronal de grafos
• Keywords:Brain networks; Functional brain disorders; Machine learning methods; Graph learning; Extreme learning machine; Graph neural network