用于整合多模态网络群体的联合半对称张量 PCA
统计方法学
2023-12-25 v1
摘要
多模态网络群体出现在许多场景中，包括大规模多模态神经影像研究，这些研究捕捉了数千名受试者的功能和结构神经影像数据。此类研究中的一个主要问题是功能和结构脑连接如何相关以及它们如何在群体中变化。我们开发了一种新型 PCA 型框架，用于整合在许多受试者上测量的多模态无向网络。具体而言，我们将这些网络排列为半对称张量，其中每个张量切片是一个代表单个受试者网络的对称矩阵。随后，我们提出了一种新颖的联合积分半对称张量 PCA (JisstPCA) 模型，并配套一种高效的迭代算法，用于联合寻找同一受试者群体中两个或多个网络的低秩表示。我们建立了独立的低秩网络因子以及共享群体因子收敛至真实因子的单步统计收敛性，并给出了有限样本统计误差界。通过模拟研究和一个整合多受试者功能与结构脑连接的真实数据案例，我们展示了该方法在发现多模态网络群体中联合低秩结构方面的优势。
引用
@article{arxiv.2312.14416,
title = {Joint Semi-Symmetric Tensor PCA for Integrating Multi-modal Populations of Networks},
author = {Jiaming Liu and Lili Zheng and Zhengwu Zhang and Genevera I. Allen},
journal= {arXiv preprint arXiv:2312.14416},
year = {2023}
}