一、总结

1. 这篇论文要解决什么问题？

作者总结了两个脑网络分析中带来噪声的问题。子人群分布变化：分析神经疾病应该捕捉在所有人群中不变的疾病特性，然而，某些特征对于子种群（不能推广到整个种群），并且与疾病无关，会构成特定子人群的噪声。忽视节点身份：一般GNN不考虑节点身份，针对脑网络的已有工作也考虑节点身份了，但是它们不考虑子人群分布变化。

2. 已有工作的思路以及不足之处有哪些？

已有工作主要是基于GNN和Graph Transformer。不足之处即没考虑上述两个问题，同时，先前研究还发现一个GNN的问题是过度平滑。在本文背景下，基于相关性的脑网络图天然具有高密度（全连接图），很容易受到过度平滑的影响。

3. 作者的洞见（insight）有哪些？

看起来是结合他先前的工作ContrastPool（架构做了些微调，GNN换graph transformer，簇的熵换成对比损失）和CARE（Cluster Loss，解决子人群分布变化）。

4. 解决方法的基本思想是什么？

同时考虑不同group的graph级信息、节点身份。

二、方法

不同group之间的脑网络通过ROI-wise注意力和subject-wise注意力聚合生成对比图，对比图将为测试提供先验知识。每个节点结合一个可学习的Identity Embedding，代替拓扑结构的位置信息。簇损失强制属于同一group的受试者获得相似的表示，而来自不同组的表示相异。对比损失将属于同一ROI的节点视为正对，所有其他节点对都被视为负对。

三、实验

预处理的ADNI脑网络数据集目前还未公开。第一次接触ADNI数据库，遇到的问题是不理解筛选条件的含义，同一受试者下多个MRI的区别，不知道该下载哪些作为原始数据，目前看到的脑网络相关论文都没有讲这些细节。