多任务高斯贝叶斯网络的学习
机器学习
2022-06-10 v2 机器学习
摘要
重度抑郁症(MDD)需要研究患者的大脑功能连接改变，这可通过静息态功能磁共振成像(rs-fMRI)数据揭示。我们考虑为单个MDD患者识别大脑功能连接改变的问题。这尤其困难，因为fMRI扫描期间收集的数据量过于有限，无法为个体分析提供充足信息。此外，rs-fMRI数据通常具有不完整性、稀疏性、变异性、高维度和高噪声的特征。为解决这些问题，我们提出了一种多任务高斯贝叶斯网络(MTGBN)框架，能够识别MDD患者的个体疾病诱导改变。我们假设此类疾病诱导改变与从观测中学习网络结构、从而理解相关任务如何联合构建系统的工具表现出某种程度的相似性。首先，我们将一类观测中的每个患者视为一个任务，然后通过从所有任务中学习来学习该类数据的共享一个编码先验知识的默认协方差矩阵的高斯贝叶斯网络(GBNs)。此设置可帮助我们从有限数据中学习更多信息。接下来，我们推导出完整似然函数的闭式公式，并使用蒙特卡洛期望最大化(MCEM)算法高效搜索近似最优贝叶斯网络结构。最后，我们用模拟和真实世界rs-fMRI数据评估了方法的性能。
引用
@article{arxiv.2205.05343,
title = {Learning Multitask Gaussian Bayesian Networks},
author = {Shuai Liu and Yixuan Qiu and Baojuan Li and Huaning Wang and Xiangyu Chang},
journal= {arXiv preprint arXiv:2205.05343},
year = {2022}
}