面向神经影像应用的多任务稀疏回归选择性推断

多任务学习常用于从同一组特征建模一组相关的响应变量，相较于单独处理每个响应变量的方法，可提升预测性能与建模精度。尽管多任务学习相比单任务方法具有产生更强推断力的潜力，该领域的已有工作大多忽略了不确定性量化。本文关注神经影像中一类常见的多任务问题，其目标是理解多个认知任务得分（或其他受试者层面评估）与影像采集的脑连接组数据之间的关系。我们提出一个选择性推断框架来解决该问题，其灵活性在于：（i）通过稀疏诱导惩罚联合识别各任务的相关协变量；（ii）基于估计的稀疏结构在模型中进行有效推断。我们的框架提供了一种新的条件推断过程，基于对选择事件的细化，产生可处理的选择调整似然。这给出用于最大似然推断的近似估计方程系统，可通过单个凸优化问题求解，并使我们能高效构建具有近似正确覆盖率的置信区间。应用于模拟数据及青少年脑认知发育（ABCD）研究数据，我们的选择性推断方法比数据分割等常用替代方案给出更紧的置信区间。我们还通过模拟证明，带选择性推断的多任务学习比单任务方法能更准确地恢复真实信号。