- 3 次围观
人群图模型将查询主体与无标签队列进行聚合,因此其报告的性能可能取决于评估方案,而不仅取决于预测信息。评估情境包含两个彼此可分的维度:训练期间队列的可见性,以及推理时可用的上下文。我们在分析前预先固定研究方案,考察训练时维度,研究对象为包含 871 名受试者(来自 20 个采集站点)的 ABIDE-I 队列。比较两种人群图实现:学习式/自适应图(EV-GCN)和静态加权图(Parisot-GCN)。在每种实现内部,队列、连接特征、外层划分以及训练和模型选择规则均保持不变,唯一变化的是图可利用的信息。主要估计目标为“实现方式 × 训练情境”的交互效应,即两种实现从 P0 到 P1 的 AUC 变化之差({Delta}{Delta}AUC)。在三个预先选定的外层划分(666、1024、2024)中,该效应方向一致且为正,观测到的交互效应范围为 0.06285–0.13090;不确定性在每个划分内分别通过受试者配对自助重采样和站点聚类自助重采样进行评估,并按划分报告。各划分作为重复验证单元,不进行合并,也不报告跨划分平均值,因此本研究结果并不声称对任意划分均保持不变。这些发现表明,报告的人群图性能与评估所采用的信息情境相关,并说明有必要明确报告队列的可见性。本研究的贡献在于方法层面:提出信息情境的双维分类法,提供基于预先选定的多个划分的证据,表明报告性能对队列上下文的敏感性取决于具体实现方式,并给出一份可复用的报告清单。
人口图神经影像学中的信息机制:队列背景与依赖实现方式的评估敏感性 | bioRxiv
跳转至主要内容
首页
关于
投稿
提醒 / RSS
搜索此关键词
高级搜索
最新结果
人口图神经影像学中的信息机制:队列背景与依赖实现方式的评估敏感性
查看 ORCID 个人资料
Zongqing
Chen
,
Biantian
Yu
,
Keliang
Wan
,
Qian
Zhang
,
查看 ORCID 个人资料
Fanghong
Zhang
,
查看 ORCID 个人资料
Ning
Zhong
,
查看 ORCID 个人资料
Hongzhi
Kuai
doi:
https://doi.org/10.64898/2026.10.02.756253
Zongqing Chen
1
重庆师范大学人工智能与交叉科学学院;
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Zongqing Chen 的 ORCID 记录
通讯联系:
zqchern{at}nankai.edu.cn
Biantian Yu
2
重庆师范大学数学科学学院;
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Keliang Wan
2
重庆师范大学数学科学学院;
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Qian Zhang
3
重庆医科大学附属儿童医院儿童保健科;
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Fanghong Zhang
4
重庆师范大学国家应用数学中心;
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Fanghong Zhang 的 ORCID 记录
Ning Zhong
5
前桥工科大学工程学院;
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在……上搜索此作者
本网站
宁忠的 ORCID 记录
怀志快
6
重庆邮电大学人工智能学院
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
怀志快的 ORCID 记录
摘要
信息/历史
指标
补充材料
数据/代码
预览 PDF
摘要
人群图模型将查询对象与未标注队列进行聚合,因此其报告的性能可能取决于评估方案,而非仅取决于预测信息。评估情境包含两个可分离的维度:训练期间队列的可见性,以及推理时可用的情境信息。我们在分析前预先固定的方案下,针对包含 871 名受试者(来自 20 个采集站点)的 ABIDE-I 队列,研究训练时这一维度。比较两种人群图实现:学习型/自适应图(EV-GCN)和静态加权图(Parisot-GCN)。在每种实现内部,队列、连接特征、外层划分以及训练和模型选择规则均保持不变,唯一变化的是图可利用的信息。主要估计目标是“实现方式 × 训练情境”的交互效应,即两种实现从 P0 到 P1 的 AUC 变化之差(ΔΔAUC)。在预先选定的三个外层划分(666、1024、2024)中,该交互效应方向一致且为正,观测范围为 0.06285–0.13090;不确定性则在每个划分内分别通过配对受试者自助重采样和站点聚类自助重采样进行评估,并按划分报告。各划分作为重复验证单位,不进行合并,也不报告跨划分平均值,因此该结果并不意味着结论对任意划分均保持不变。这些发现表明,人群图模型报告的性能与评估所提供的信息密切相关。
研究机制并促使明确报告队列可见性。本研究的贡献在于方法学:提出信息机制的双轴分类法;基于预先选定的跨数据划分证据,表明报告性能对队列背景的敏感性取决于具体实现;并提供一份可重复使用的报告清单。
利益冲突声明
作者声明不存在利益冲突。
脚注
https://github.com/mindloop-lab/population-graph-information-regimes
https://doi.org/10.5281/zenodo.23104123
已声明的资助信息
中国重庆市自然科学基金
,CSTB2025NSCQ-LZX0057
,CSTB2025NSCQ-LZX0073
重庆市自然科学基金创新发展联合基金
,CSTB2024NSCQ-LZX0138
国家社会科学基金
,23CTJ010
重庆师范大学
,21XLB020
版权
本预印本的版权持有人为作者/资助方,其已授予 bioRxiv 永久展示该预印本的许可。
该预印本依据 CC-BY 4.0 国际许可协议公开。
返回顶部
上一篇
下一篇
发布于 2026 年 10 月 8 日。
下载 PDF
补充材料
数据/代码
电子邮件
感谢您有意传播 bioRxiv 的内容。
注意:要求提供您的电子邮件地址,仅用于确认您是本文的发送者。
您的电子邮件地址
*
您的姓名
*
收件人
*
请在不同的行中输入多个地址,或用逗号分隔。
您将要发送的内容
群体图神经影像中的信息机制:队列背景与依赖于实现方式的评估敏感性
邮件主题
(您的姓名)转发了一则 bioRxiv 网页给您
邮件正文
(您的姓名)认为您可能有兴趣查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于验证您是否为真人。
访客并阻止自动化垃圾信息提交。
分享
人口图谱神经影像中的信息机制:队列背景与依赖实现方式的评估敏感性
Zongqing Chen、Biantian Yu、Keliang Wan、Qian Zhang、Fanghong Zhang、Ning Zhong、Hongzhi Kuai
bioRxiv
2026.10.02.756253
doi:https://doi.org/10.64898/2026.10.02.756253
分享本文:
复制
引用工具
人口图谱神经影像中的信息机制:队列背景与依赖实现方式的评估敏感性
Zongqing Chen、Biantian Yu、Keliang Wan、Qian Zhang、Fanghong Zhang、Ning Zhong、Hongzhi Kuai
bioRxiv
2026.10.02.756253
doi:https://doi.org/10.64898/2026.10.02.756253
引用管理器格式
BibTeX
Bookends
EasyBib
EndNote(tagged)
EndNote 8(xml)
Medlars
Mendeley
Papers
RefWorks Tagged
Ref Manager
RIS
Zotero
推文组件
Facebook 点赞
Google +1
学科领域
所有文章
动物行为与认知(8101)
生物化学(18916)
生物工程(15076)
生物信息学(44909)
生物物理学(22804)
癌症生物学(19935)
细胞生物学(27143)
临床试验(138)
发育生物学(14065)
生态学(21239)
流行病学(2067)
进化生物学(25637)
遗传学(16270)
基因组学(23673)
免疫学(18872)
微生物学(42902)
分子生物学(18221)
神经科学(94380)
古生物学(708)
病理学(3011)
药理学与毒理学(5143)
生理学(8205)
植物生物学(16151)
科学传播与教育(2106)
合成生物学(4604)
系统生物学(10325)
动物学(2405)
关键词:人群图神经网络 · 神经影像 · 队列可见性 · 评估方案 · 模型性能敏感性
原文链接:https://www.biorxiv.org/content/10.64898/2026.10.02.756253v1?rss=1