题目： Explainable Classification of Brain Networks via Contrast Subgraphs

摘要：

挖掘人脑网络以发现可用于区分健康个体和受某些神经障碍影响的患者的模式，是神经科学的一项基本任务。学习简单的和可解释的模型和精确的分类一样重要。本文提出了一种基于对比子图提取的脑网络分类方法。一组顶点其导出子图在一类图中密集而在另一类图中稀疏。我们正式地定义了这个问题，并提出了一个提取对比子图的算法解决方案。然后，将方法应用到一个大脑网络数据集上，这个数据集包括患有自闭症谱系障碍的儿童和正常发育的儿童。我们的分析证实了所发现的模式的趣味性，这与神经科学文献中的背景知识相吻合。对其它分类任务的进一步分析证实了该方法的简单性、可靠性和高可解释性，这也显示出较复杂的先进方法优越的分类精度。