带阈值的多尺度高斯过程及其在大规模神经影像数据贝叶斯特征选择中的应用
统计方法学
2015-05-01 v2 应用统计
摘要
受大规模神经影像数据重要特征选择需求的启发，我们提出了一种空间变系数模型 (SVCMs)，对其系数函数施加稀疏性和分段平滑性约束。基于阈值多分辨率高斯过程 (TMGP) 开发了一类新的非参数先验。我们证明了 TMGP 在稀疏且分段平滑函数空间上具有大支撑，从而导致系数函数估计和特征选择的后验一致性。此外，我们开发了 TMGP 中阈值参数的先验指定方法并讨论了其理论性质。通过采用核卷积方法开发了高效的后验计算算法，其中选择了修正的平方指数核，利用了其特征分解解析形式可用的优势。基于模拟研究，我们证明了我们的方法在估计空间变系数方面能实现更好的性能。此外，所提出的模型已应用于来自自闭症脑成像数据交换 (ABIDE) 研究的静息态功能磁共振成像 (Rs-fMRI) 数据分析，提供了具有生物学意义的结果。
引用
@article{arxiv.1504.06074,
title = {Thresholded Multiscale Gaussian Processes with Application to Bayesian Feature Selection for Massive Neuroimaging Data},
author = {Ran Shi and Jian Kang},
journal= {arXiv preprint arXiv:1504.06074},
year = {2015}
}
备注
37 pages, 7 figures