用于多模态数据分析的正交化核去偏机器学习
统计方法学
2021-11-25 v2 机器学习
摘要
多模态成像已经改变了神经科学研究。尽管它带来了前所未有的机遇,也带来了严峻的挑战。特别是,很难将简单关联模型所具有的可解释性与高度自适应非线性模型所实现的灵活性结合起来。本文中,我们提出一种正交化核去偏机器学习方法,该方法建立在 Neyman 正交性和一种分解正交性之上,用于多模态数据分析。我们针对几乎在所有多模态研究中自然出现的设定,即存在一个感兴趣的主要模态,外加额外的辅助模态。我们建立了所估计主要参数的 root- 一致性、渐近正态性、半参数估计效率,以及预测的主要模态效应置信带的渐近有效性。我们的提案在很大程度上兼具模型可解释性与模型灵活性。它与现有的多模态数据整合统计方法以及用于高维推断的基于正交性的方法也有显著不同。我们通过模拟和对阿尔茨海默病多模态神经影像研究的应用展示了我们方法的有效性。
引用
@article{arxiv.2103.07088,
title = {Orthogonalized Kernel Debiased Machine Learning for Multimodal Data Analysis},
author = {Xiaowu Dai and Lexin Li},
journal= {arXiv preprint arXiv:2103.07088},
year = {2021}
}