用于异质神经连接图联合发现的约束加权 $\ell_1$ 最小化方法
神经元与认知
2017-09-22 v2 机器学习
摘要
确定功能性脑连接对于理解大脑以及诸如自闭症等障碍背后的神经差异至关重要。近期研究使用高斯图模型通过神经影像中脑区间的统计依赖关系来学习脑连接。然而，以往研究往往未能恰当纳入针对神经科学的先验，例如偏好较短连接。为补救此问题，本文引入了一种新颖的加权- 多任务图模型（W-SIMULE）。该模型优雅地结合了灵活先验与可并行化公式。此外，W-SIMULE 扩展了常用的高斯假设，带来了显著的性能提升。在此，对 fMRI 数据的应用表明，W-SIMULE 在以下方面成功确定了功能连接：(1) 对数似然，(2) 发现区分组的边，以及 (3) 基于连接对不同组进行分类，在 ABIDE 数据集上达到 58.6\% 准确率。在确立 W-SIMULE 的有效性后，它将四个关键区域与自闭症联系起来，所有这些均与文献一致。由于其优雅的域适应性，W-SIMULE 可轻易应用于各种数据类型以有效估计连接。
引用
@article{arxiv.1709.04090,
title = {A Constrained, Weighted-L1 Minimization Approach for Joint Discovery of Heterogeneous Neural Connectivity Graphs},
author = {Chandan Singh and Beilun Wang and Yanjun Qi},
journal= {arXiv preprint arXiv:1709.04090},
year = {2017}
}
备注
8 pages