BriefGPT - AI 论文速递
·
人脑自我监督学习动态功能连接的联合嵌入式掩模自编码器
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种空时联合嵌入掩码自编码器（ST-JEMA），它借鉴了计算机视觉中的联合嵌入预测架构（JEPA），并对动态图进行重构，以实现考虑时间视角的更高级语义表示的学习。利用大规模的 UK Biobank 数据集进行自监督学习，ST-JEMA 在动态功能连接中显示出卓越的表示学习性能，证明了在预测表型和精神诊断方面优于先前方法的优越性，并且对缺失数据场景下的时间重构的有效性。这些发现突出了我们的方法作为一种强大的用于利用标记稀缺 fMRI 数据的表示学习方法的潜力。
🎯
关键要点
- 图神经网络在学习动态功能连接方面显示出潜力。
- 获取大量标记的临床数据资源密集，实际应用困难。
- 无标签数据在标记稀缺环境中进行表征学习变得至关重要。
- 介绍了一种空时联合嵌入掩码自编码器（ST-JEMA）。
- ST-JEMA 借鉴了计算机视觉中的联合嵌入预测架构（JEPA）。
- ST-JEMA 对动态图进行重构，实现考虑时间视角的高级语义表示学习。
- 利用 UK Biobank 数据集进行自监督学习。
- ST-JEMA 在动态功能连接中显示出卓越的表示学习性能。
- ST-JEMA 在预测表型和精神诊断方面优于先前方法。
- ST-JEMA 对缺失数据场景下的时间重构有效。
- 方法展示了利用标记稀缺 fMRI 数据的强大潜力。
➡️
