带有协变量的动态网络总体的集成学习

尽管关于动态连接方法的文献迅速增长，但其主要焦点一直是对每个个体分别进行网络估计，这未能利用共同的信息模式。我们提出了新颖的图论方法，用于估计动态网络总体，能够以无监督方式并在协变量信息引导下跨多个异质样本借用信息。具体而言，我们开发了一个贝叶斯乘积混合模型，该模型在每个时间扫描上施加独立的混合先验，并利用协变量对混合权重建模，从而产生旨在汇集信息的样本的时间变化簇。计算使用高效的期望最大化（Expectation-Maximization）算法进行。广泛的模拟研究说明，相较于现有动态连接方法，在恢复真实动态网络方面取得了显著增益。对带有行为干预的 fMRI 区块任务数据的分析揭示了具有相似动态连接的个体子群，并识别出集中于生物学可解释脑区的干预相关动态网络变化。相比之下，现有动态连接方法能够检测到的随时间连接变化极小或没有，这似乎在生物学上不现实，并凸显了因无法跨样本系统性借用信息而产生的挑战。