第36名方案（附代码）

大家好，首先我要感谢我优秀的队友 @joatom、@mks2192 和 @kpriyanshu256，感谢他们带来如此有趣的比赛旅程。同时祝贺所有的获胜者！

这是一场非常棒的比赛，我的团队在比赛中投入了大量时间，很高兴所有的努力最终都有了回报。

我们的方法

我们的最终解决方案是以下模型或提交结果的集成：

• simple tabular nn（简单表格神经网络），正如 @joatom 在下方评论中提到的那样。
• 由 @kpriyanshu256 开发的 GCN-表格学习器。
• 由 @rohitsingh9990 开发的 TReNDS - PyCaret (训练 + 推理)。
• 由 @aerdem4 开发的 RAPIDS SVM on TReNDS Neuroimaging。
• 以及一堆仅基于表格数据训练的其他模型。

RAPIDS SVM 和 TReNDS - PyCaret 这两个笔记本已经公开，没有什么太多需要解释的。

simple tabular nn 简要概述：

• @joatom 在下方的评论中发布了该方法的详细解释。

  注意：这是最重要的方法，仅此一项与公开的 RAPIDS SVR 内核集成就可以轻松让我们获得银牌。

我们的 TReNDS GCN-表格学习器 简要概述：

• 如果我们将 fnc 实体之间的相关值（例如 SCN(53)）视为边权重，就会出现使用 GCN（图卷积网络）的场景。
• 少量的 EDA（探索性数据分析）显示有 ((53*52)/2) 列（不包括 Id），即一个完全连接的图，总共有 53 个唯一实体。每个患者也有 53 个空间图谱。
• 我们假设 ICN_numbers.csv 提供了每个实体到对应图谱的映射。因此，我们为每位患者创建了一个包含 53 个节点的图。为了创建节点的特征，我们依赖特定领域的知识（链接）。
• 我们使用 nilearn 从每个图谱中提取了一些特征（Schaefer 2018 和 Talairach）。
• 我们将此用于 GCN。从 GCN 获得的特征被收集起来，并与 fnc.csv 和 loading.csv 特征相结合。组合后的特征通过全连接层以获得输出。
• 笔记本：TReN