用于多网络联合社区检测的随机效应随机块模型及其在神经影像中的应用
应用统计
2020-03-24 v2
摘要
受神经影像研究中多被试实验的启发，我们开发了一个用于一组相关网络（可视为来自网络总体的样本）中联合社区检测的建模框架。所提出的随机效应随机块模型有助于研究社区结构中的组间差异与受试者特异性变异。该模型提出一个假定均值社区结构，其代表所考虑组别或总体的特征，但非任何个体成分网络的社区结构。相反，节点在每个成分网络中的社区归属随转移矩阵变化，从而建模一组受试者间社区结构的变异。为估计感兴趣的量，我们提出两种方法：变分EM算法，以及基于谱或非负矩阵分解(NMF)的无模型“两步”法。我们基于NMF的方法Co-OSNTF具有独立意义，我们研究了其收敛至驻点的性质。我们还开发了基于重采样的假设检验，用于在两个总体的整体网络层面与节点层面检验社区结构差异。该方法应用于一个公开的涉及精神分裂症患者的多被试实验fMRI数据集。我们的方法揭示了代表组别的整体假定社区结构以及各组内的受试者特异性变异。利用网络层面假设检验，我们能够确定两组间社区结构存在统计显著差异，而节点层面检验有助于确定导致差异的节点。
引用
@article{arxiv.1805.02292,
title = {A random effects stochastic block model for joint community detection in multiple networks with applications to neuroimaging},
author = {Subhadeep Paul and Yuguo Chen},
journal= {arXiv preprint arXiv:1805.02292},
year = {2020}
}