arXiv cs.AI· Protyay Dey, Ayush Roy, Hyuna Cho, Won Hwa Kim, Vishnu Suresh Lokhande·· 3 天前AI 评分20
MAGNET：面向脑连接组生成的流形感知图扩散网络
MAGNET: Manifold-Aware Graph Diffusion Network for Connectome Generation
AI 导读
MAGNET 是一种流形感知图扩散网络，通过归一化 Cholesky 表示相关矩阵流形以保证生成的功能脑连接组合法性，并在 ROI 级区域 token 上以关系归纳偏置去噪。
正文 · AI 翻译
摘要：功能性脑连接组将神经连接表示为脑区之间成对交互的矩阵。功能性连接组的生成不仅是一个有效性问题；相反，在满足相关矩阵的约束之后，下一步是恢复隐藏在粗略标签之下的类条件几何结构。我们提出 MAGNET，一种流形感知图扩散网络，它使用相关矩阵流形的归一化 Cholesky 表示来保证有效性。MAGNET 将含噪的潜在状态提升为 ROI 级区域 token，并利用脑图谱区域上的关系归纳偏置进行去噪。为处理由粗略标签引起的结构性问题，MAGNET 采用了类锚定条件化、摊销结构桥和相关性保持破坏。在 ABIDE、ADNI 和 OASIS-3 上，与先前的流形感知方法相比，MAGNET 始终取得更优结果，在三个队列中类条件保真度（$\alpha,\beta$-F1）提升 7-21%，并具有更好的采样效率。此外，虽然仅使用严格的二分类标签进行训练，MAGNET 仍能在零样本设置下通过连接组的精细子结构保持临床异质性，将子类协方差对齐（$\lambda$-MSE）提升超过 30%。这些结果表明，几何有效性是连接组合成临床实用性的必要但不充分条件。此外，使扩散去噪的类条件流形感知化的努力，其效用超越了高度弯曲的脑连接组生成，因为这在各种一般设置中都是一个关键问题。代码仓库见 此 https URL。
| Comments: | Accepted at NeurIPS 2026 |
| Subjects: | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| Cite as: | arXiv:2610.17014 [cs.LG] |
| （或 arXiv:2610.17014v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17014 arXiv 颁发的 DOI 通过 DataCite（待注册） |
Submission history
来自：Protyay Dey [查看电子邮件]
[v1]
2026年10月12日星期一 15:56:09 UTC（22,487 KB）
来源：arXiv cs.AI · arxiv.org