潜在多模态函数型图模型估计
统计方法学
2023-10-03 v3 机器学习
机器学习
摘要
联合多模态函数型数据采集，即从同一受试者同时测量多种模态的函数型数据，已成为神经与生物科学近期工程突破所催生的一种令人振奋的现代方法。获取此类数据的一个主要动机是通过结合多模态信号来发现潜在的连接结构。尽管存在科学意义，但在估计多模态函数型数据底层图结构的原则性统计方法方面仍存在空白。为此，我们提出一种新的集成框架，对数据生成过程建模并识别从观测空间到潜在空间的映射算子。随后我们开发了一种估计量，可同时估计变换算子与潜在图。该估计量基于偏相关算子，我们将其从多元情形严格推广至函数型情形。我们的过程具有可证明的效率，估计量收敛到驻点且统计误差可量化。此外，我们在温和条件下展示了潜在图的恢复能力。我们的工作应用于分析同步采集的多模态脑成像数据，其中图指示了脑功能连接。我们给出了模拟与实证结果，支持了联合估计的益处。
引用
@article{arxiv.2210.17237,
title = {Latent Multimodal Functional Graphical Model Estimation},
author = {Katherine Tsai and Boxin Zhao and Sanmi Koyejo and Mladen Kolar},
journal= {arXiv preprint arXiv:2210.17237},
year = {2023}
}