矩阵变量 fMRI 数据的聚类结构学习与异质图联合估计
统计方法学
2021-10-12 v1
摘要
图模型在神经科学研究中发挥着重要作用，尤其在脑连接性分析中。通常，观测/样本来自若干异质组且每个观测/样本的组归属未知，这对图结构学习提出了巨大挑战。在本文中，我们提出一种方法，能够对矩阵变量功能磁共振成像（fMRI）数据实现聚类与异质图估计同时进行（简称 SCEHG）。与依赖各组均值差异的传统聚类方法不同，所提出的 SCEHG 方法充分利用脑区之间条件依赖关系的组间差异来学习聚类结构。本质上，通过构建个体层面的区际网络度量，我们将聚类表述为带分组与稀疏性追求的惩罚回归，从而将无监督学习转化为有监督学习。我们提出一种 ADMM 算法来求解相应的优化问题。我们还提出一种广义准则以确定聚类数目。大量模拟研究在聚类和图恢复精度方面均表明 SCEHG 方法优于一些最先进的方法。我们还将 SCEHG 流程应用于分析与 ADHD（注意缺陷多动障碍的缩写）相关的 fMRI 数据，说明了其实用性。实现该方法的 R 包“SCEHG”可在 https://github.com/heyongstat/SCEHG 获取。
引用
@article{arxiv.2110.04516,
title = {Simultaneous Cluster Structure Learning and Estimation of Heterogeneous Graphs for Matrix-variate fMRI Data},
author = {Dong Liu and Changwei Zhao and Yong He and Lei Liu and Ying Guo and Xinsheng Zhang},
journal= {arXiv preprint arXiv:2110.04516},
year = {2021}
}