高斯图模型差异检验：在脑连接中的应用
机器学习
2016-11-21 v2
摘要
功能脑网络可用高斯图模型(GGMs)很好地描述和从数据估计，例如使用稀疏逆协方差估计。比较两个群体中受试者的功能连接需要比较这些估计的GGMs。我们的目标是在已知具有相似结构的GGMs中识别差异。我们利用稀疏估计器参数的参数分布获得置信区间来刻画差异的不确定性。稀疏惩罚即使在高维低样本设置下也能提供统计保证和可解释模型。刻画稀疏模型分布本身具有挑战性，因为惩罚产生有偏估计。近期工作调用稀疏假设来有效去除稀疏估计器（如lasso）的偏差。这些分布可用于给出GGMs中边的置信区间，进而给出其差异的置信区间。然而，在比较GGMs的情况下，这些估计器未利用任何假设的GGMs间的联合结构。受脑功能连接先验启发，我们推导了在参数在差异中已知稀疏时的联合惩罚下参数差异的分布。这引导我们引入去偏多任务融合lasso，其分布可高效刻画。然后我们展示如何去偏lasso和多任务融合lasso可用于获得GGMs中边差异的置信区间。我们在合成示例集以及为自闭症研究创建的神经成像数据集上验证了所提技术。
引用
@article{arxiv.1512.08643,
title = {Testing for Differences in Gaussian Graphical Models: Applications to Brain Connectivity},
author = {Eugene Belilovsky and Gaël Varoquaux and Matthew B. Blaschko},
journal= {arXiv preprint arXiv:1512.08643},
year = {2016}
}