高维半参数图模型中的迁移学习及其在脑连接分析中的应用
统计方法学
2021-12-28 v1
摘要
迁移学习日益受到关注，其目标是通过从相似且相关的辅助研究（数据集）中挖掘信息，来提高一项研究（数据集）的统计效率。在本文中，我们考虑了估计无向半参数图模型中的迁移学习问题。我们提出了一种称为 Trans-Copula-CLIME 的算法，用于在从相似辅助研究中挖掘信息的同时估计无向图模型，并通过散度矩阵的稀疏性来刻画目标图与每个辅助图之间的相似性。所提方法放宽了数据服从高斯分布的限制性假设，而这对于此处考虑的与注意缺陷多动障碍（ADHD）相关的 fMRI 数据集而言偏离现实。在 Trans-Copula-CLIME 过程中使用了非参数基于秩的相关系数估计量，以实现对正态性的稳健性。我们在一些温和条件下建立了 Trans-Copula-CLIME 估计量的收敛速率，这表明当辅助研究与目标研究之间的相似性足够高且信息性辅助样本数量足够大时，Trans-Copula-CLIME 估计量相比现有的非迁移学习方法具有巨大优势。模拟研究也表明，尤其当数据非高斯分布时，Trans-Copula-CLIME 估计量具有更好的性能。最后，所提方法通过利用来自纽约站点的 fMRI 数据集，应用于推断目标北京站点中 ADHD 患者的功能脑连接模式。
引用
@article{arxiv.2112.13356,
title = {Transfer Learning in High-dimensional Semi-parametric Graphical Models with Application to Brain Connectivity Analysis},
author = {Yong He and Qiushi Li and Qinqin Hu and Lei Liu},
journal= {arXiv preprint arXiv:2112.13356},
year = {2021}
}