拓扑脑网络距离
应用统计
2018-09-12 v1 神经元与认知
摘要
现有的脑网络距离通常基于矩阵范数。现有矩阵范数中的逐元素差异可能无法捕捉潜在的拓扑差异。此外，矩阵范数对离群值敏感。逐元素距离计算的一个主要缺点是，即使少数极端边权也可能对其产生严重影响。因此有必要开发能够识别拓扑的网络距离。在本文中，我们综述了适用于脑网络的瓶颈距离、Gromov-Hausdorff（GH）距离和 Kolmogorov-Smirnov（KS）距离，并将它们与基于矩阵范数的网络距离进行比较。瓶颈距离和 GH 距离常用于持续同调。然而，它们很少被用于度量脑网络之间的相似性。KS 距离最近被引入用于度量不同过滤值下网络之间的相似性。性能分析使用具有真实基础的随机网络模拟进行。利用提供生物学真实基础的双生子影像研究，我们证明了 KS 距离具有确定遗传率的能力。
引用
@article{arxiv.1809.03878,
title = {Topological Brain Network Distances},
author = {Moo K. Chung and Hyekyoung Lee and Andrey Gritsenko and Alex DiChristofano and Dustin Pluta and Hernando Ombao and Victor Solo},
journal= {arXiv preprint arXiv:1809.03878},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1701.04171