通过混合邻域选择学习群体与特定个体的脑连接网络
机器学习
2015-12-08 v1
摘要
在神经影像数据分析中，高斯图模型常用于对称为功能连接的空间远端脑区之间的统计依赖性建模。通常，数据收集于一列受试者，科学目标包括估计群体和特定个体的图模型。第三个常被忽视的目标涉及量化受试者间变异性，从而识别表现出跨受试者异质性的区域或子网络。此类信息对于彻底理解人类连接组至关重要。我们提出混合邻域选择以同时解决上述三个目标。通过将协方差选择重述为邻域选择问题，我们能够有效学习每个节点的拓扑。我们向邻域选择引入额外的混合效应分量，以同时估计受试者群体以及每个个体受试者的图模型。所提方法通过一系列模拟进行了经验验证，并应用于ABIDE联盟提供的健康受试者静息态数据。
引用
@article{arxiv.1512.01947,
title = {Learning population and subject-specific brain connectivity networks via Mixed Neighborhood Selection},
author = {Ricardo Pio Monti and Christoforos Anagnostopoulos and Giovanni Montana},
journal= {arXiv preprint arXiv:1512.01947},
year = {2015}
}
备注
32 pages, 6 figures