본 논문은 다중 사이트 fMRI 데이터의 이질성으로 인한 표상 학습의 효과 저하 문제를 해결하기 위해, 새로운 다중 사이트 적대적 학습 네트워크(MSalNET)를 제안합니다. MSalNET은 노드 정보 조합(NIA) 메커니즘을 통해 기능적 연결성(FC)으로부터 특징을 효과적으로 추출하고, 사이트 수준 특징 추출 모듈을 통해 사전 정보 없이 개별 FC 데이터로부터 학습합니다. 또한, 새로운 손실 함수를 도입하여 개별 분류와 사이트 회귀 작업 간의 균형을 맞추는 적대적 학습 네트워크를 제안합니다. ABIDE 및 ADHD-200 데이터셋을 이용한 실험 결과, 제안된 방법이 다른 알고리즘보다 우수한 성능(ABIDE 75.56%, ADHD-200 68.92%)을 보이며, 데이터 기반 관점에서 사이트 변동성을 감소시키는 것을 확인했습니다. NIA에 의해 드러난 가장 차별적인 뇌 영역은 기존 통계적 연구 결과와 일치하며, 딥러닝의 "블랙 박스"를 어느 정도 해소합니다.
