用于脑连接大规模多元 Ornstein-Uhlenbeck 模型的贝叶斯估计
机器学习
2018-05-28 v1 机器学习
摘要
估计可靠的全脑连接是朝向在定量研究中将连接信息用于神经精神疾病研究的关键一步。在估计脑连接时，时间样本稀少和测量维度巨大带来了挑战。贝叶斯网络模型估计方法在此背景下具有若干优势，但并未被广泛采用。在此我们比较了近期因刻画全脑连接而受到一定关注的多元 Ornstein-Uhlenbeck 模型的三种不同估计方法。我们首先表明，假设均匀先验的模型参数贝叶斯估计等价于矩方法的应用。然后，利用合成数据，我们表明与迭代 Lyapunov 优化相比，贝叶斯估计随网络中节点数量的增加而表现不佳。特别是当网络规模达到全脑研究所用量级（约 100 个节点）时，贝叶斯方法需要比 Lyapunov 方法多约八倍的时间样本才能达到相似的估计精度。我们还表明，Lyapunov 方法更高的估计精度体现在基于真实 BOLD fMRI 数据集估计连接对个体进行分类的明显更优结果上。最后我们表明，贝叶斯方法精度不佳是由于当连接估计的虚部相对于实部变大时出现的数值误差。
引用
@article{arxiv.1805.10050,
title = {Bayesian estimation for large scale multivariate Ornstein-Uhlenbeck model of brain connectivity},
author = {Andrea Insabato and John P. Cunningham and Matthieu Gilson},
journal= {arXiv preprint arXiv:1805.10050},
year = {2018}
}