网络总体的非参数贝叶斯建模
统计方法学
2018-09-11 v3
摘要
重复测量的网络数据在许多研究领域越来越常见。在连接组学应用中，每个受试者的脑区之间的连接被收集，这促使需要能够灵活刻画这些网络值数据背后的概率生成机制的统计模型。现有的针对单个网络的模型并非专门用于推断网络值随机变量的整个概率质量函数，因此在刻画相关拓扑结构的分布方面缺乏灵活性。我们提出了一种灵活的贝叶斯非参数方法来对网络值数据的总体分布进行建模。边的联合分布通过一个混合模型定义，该模型通过利用潜在空间表示来降低维度并有效地将网络信息整合到每个混合成分中。该公式导致了一个高效的吉布斯采样器，并为推断和拟合优度评估提供了简单且一致的策略。我们提供了关于模型灵活性的理论结果，并在模拟和人类脑网络应用中展示了相比最先进模型的改进性能。
引用
@article{arxiv.1406.7851,
title = {Nonparametric Bayes Modeling of Populations of Networks},
author = {Daniele Durante and David B. Dunson and Joshua T. Vogelstein},
journal= {arXiv preprint arXiv:1406.7851},
year = {2018}
}