我々のグループの新しいプレプリントです。
・この論文では、ヒトのコネクトミクス研究において、構造と機能の２つのネットワーク情報が重要であることを主張している重要な論文です。
・また、機械学習技術は有用ですが、通常、大規模なデータセットが必要です。しかしながら、ヒトを対象とする実験では、このデータセットを用意することが非常に難しくコストがかかります。
・この問題を解決するための、限られたデータセットからサンプルサイズを拡大するために生成敵対ネットワーク（GAN）を活用する新しいデータ拡張方法である「Task-guided Generative Adversarial Networks II」を提案しています。
・この方法は、データ内のより多くのタスク指向の特徴を捕捉することにより、データを効果的に拡張し、人間の認知特性の予測精度を向上させることを目指しています。
・NIMHヘルスリサーチボランティアデータセットを使用して流動知能を予測するためのデータ拡張の有効性を評価しました。
・提案手法によるデータ拡張は、予測精度を向上させるだけでなく、その潜在空間が構造的結合性と認知結果との相関を効果的に捉えることを示唆しています。