大规模核化 GRANGER 因果推断有向图拓扑及其在脑网络中的应用
机器学习
2020-11-18 v1 计算机视觉与模式识别
摘要
对具有共演化且相互作用时间序列的网络过程进行图拓扑推断对网络研究至关重要。向量自回归模型（VAR）是有向图拓扑推断的常用方法；然而，在具有短时间序列的大型网络中，拓扑估计变为不适定问题。本文提出一种保留非线性的有向网络拓扑推断新方法，适用于具有共演化节点过程的有向网络，解决了不适定性问题。所提方法为大规模核化 Granger 因果（lsKGC），其使用核函数将数据变换至低维特征空间并在特征空间中求解自回归问题，随后在输入空间中寻找原像以推断拓扑。在具有非线性与线性依赖及已知真值的人工数据集上的大量仿真表明，相较于现有方法，网络恢复的受试者工作特征曲线下面积（AUC）显著提升。此外，在一项功能磁共振成像（fMRI）研究的真实数据集上的测试显示，对精神分裂症患者的诊断任务准确率达 96.3%，为仅使用脑时间序列信息的文献中的最高值。
引用
@article{arxiv.2011.08261,
title = {Large-scale kernelized GRANGER causality to infer topology of directed graphs with applications to brain networks},
author = {M. Ali Vosoughi and Axel Wismuller},
journal= {arXiv preprint arXiv:2011.08261},
year = {2020}
}
备注
5 pages, 3 figures, conference paper