面向医学 Alzheimer's 病的高斯图模型函数连接分析：统计综述与应用
机器学习
2026-04-14 v1
摘要
功能连接分析是表征大脑区域相互作用的重要工具，尤其在阿尔弗雷德·阿尔茨堡病（AD）等神经退行性疾病研究中具有重要意义。高斯图模型（GGMs）为从捕获大脑区域条件依赖关系的角度估计功能连接提供了有前景的统计框架。尽管已提出多种正则化精确矩阵估计方法用于估计 GGMs 的稀疏条件依赖结构，但其比较性能和对神经影像研究的实际意义尚不为人所了解。本文对广泛使用的 GGM 估计方法进行全面统计综述与实证评估，包括图形 lasso（glasso）、基于岭的 glasso、图形弹性网、自适应 glasso、平滑截断绝偏差（SCAD）、矛盾凹罚（MCP）、用于逆矩阵估计的受限 最小化（CLIME）以及调节不敏感的图估计与回归（TIGER）。我们通过大量数据驱动的模拟实验（旨在反映真实神经影像情境）以及对 AD 队列研究的应用，评估其性能，并说明方法差异对下游网络分析的影响。此外，提供了一个用户友好的 R 软件包 spice，以促进实施并提高经验研究的可重复性。
引用
@article{arxiv.2604.10248,
title = {A Multi-head Attention Fusion Network for Industrial Prognostics under Discrete Operational Conditions},
author = {Yuqi Su and Xiaolei Fang},
journal= {arXiv preprint arXiv:2604.10248},
year = {2026}
}