用于信号子图估计的对称双线性回归

在网络预测变量回归中，学习一组小的与结局相关的子图日益受到关注。所提取的信号子图可极大改善网络预测变量与响应之间关联的解释性。在脑连接组学中，个体的脑网络对应于脑区之间的一组互连，并且将脑连接组与人类认知特质相联系具有浓厚兴趣。现代神经影像技术允许对脑进行非常精细的分割，产生非常大的结构性脑网络。因此，用于识别一组小的预测性子图的准确且高效的方法变得至关重要，从而发现与特质相关的关键互联脑区，并对人类认知特质变异的机制获得重要见解。我们提出一个带 $L_1$ 惩罚的对称双线性模型，以搜索包含关于响应的有用信息的小团子图。我们开发了一个坐标下降算法来估计该模型，其中我们导出了一系列条件凸优化的解析解。该方法在人脑连接组与语言理解数据上的应用，显示了对若干小脑区集合间相关互连的有趣发现，并且比对比方法具有更好的预测性能。