使用信号子图进行图分类：统计连接组学中的应用

本文考虑以下“图分类”问题：给定一组图及其关联类别，如何预测一个新观测到的图的类别？为了解决这个问题，我们提出了一个图/类别对的统计模型。该模型自然导出了一组估计量，用于识别类别条件信号，即“信号子图”，定义为在类别之间概率上存在差异的边的集合。这些估计量所支持的分类器是渐近最优且高效的，但它们在信号子图“相干性”（即信号边围绕一个公共顶点子集“聚集”的程度）的假设上有所不同。通过模拟，我们发现最佳估计量不仅取决于模型的相干性，还取决于训练样本的数量。这些估计量被用于解决一个当代神经科学问题：我们能否根据性别对“连接组”（脑图）进行分类？答案是肯定的，并且其性能显著优于所有考虑的基准算法。合成数据分析表明，即使模型正确，由于训练样本数量相对较少，对估计出的信号子图也应持谨慎态度。最后，我们讨论了若干可能的扩展方向。