基于热扩散的脑网络拓扑推断及其在脑损伤症状映射中的应用
计算与语言
2026-03-19 v1 机器学习
摘要
持久同调 (PH) 通过持久性特征刻画脑网络的形状。由于其本质异质性，脑网络持久性特征的组间比较具有挑战性。最近通过热扩散对持久图 (PD) 进行尺度空间表示的方法，利用拉普拉斯-贝尔特拉米 (LB) 特征函数展开的有限个傅里叶系数进行重参数化，提供了强大的向量化代数表示，用于组间比较。本研究发展了基于转置的置换检验，用于比较多个组的 PD。我们评估了在不同拓扑噪声水平和循环位置可变性下，谱转置检验在捕捉组内和组间相似性与不相似性方面的经验性能。在应用中，我们提出了一种基于所提出框架的拓扑脑损伤症状映射 (TLSM) 方法。该方法应用于帕金森症患者的静息状态功能脑网络，以识别与不同程度语言障碍相关的特征循环。
引用
@article{arxiv.2603.17087,
title = {Ensemble Self-Training for Unsupervised Machine Translation},
author = {Ido Aharon and Jonathan Shaki and Sarit Kraus},
journal= {arXiv preprint arXiv:2603.17087},
year = {2026}
}