利用转移熵与互信息从时间序列推断网络属性：多元与二元方法的验证
神经元与认知
2022-09-22 v2 信息论
社会与信息网络
math.IT
数据分析、统计与概率
摘要
从时间序列推断出的功能性与有效性网络是网络神经科学的核心。解释其属性要求推断出的网络模型反映关键的基础结构特征；然而，即便少数伪连接也会扭曲网络度量，对功能连接组构成挑战。我们研究了基于互信息和二元/多元转移熵的算法能在多大程度上推断基础网络的微观与宏观属性。验证在两个猕猴连接组以及具有多种拓扑结构（规则晶格、小世界、随机、无标度、模块化）的合成网络上完成。仿真基于神经质量模型与自回归动力学（采用高斯估计器以直接与功能连接和 Granger 因果性比较）。我们发现，对于较长的时间序列，多元转移熵能捕捉所有网络的关键属性。二元方法在较短时间序列下可获得更高召回率（灵敏度），但随着可用数据增加，无法控制假阳性（特异性较低）。这导致聚类系数、小世界系数和富人俱乐部系数被高估，最短路径长度和枢纽中心性被低估，以及度分布尾部变胖。因此，在解释通过相关性或成对统计依赖度量（而非更整体却耗费数据的多元模型）获得的功能连接组的网络属性时，应谨慎使用。
引用
@article{arxiv.2007.07500,
title = {Inferring network properties from time series using transfer entropy and mutual information: validation of multivariate versus bivariate approaches},
author = {Leonardo Novelli and Joseph T. Lizier},
journal= {arXiv preprint arXiv:2007.07500},
year = {2022}
}