×
马克斯·海恩;亚历克斯·伦科斯基;汤姆·海斯克斯;马塞尔·范·格文

使用条件贝叶斯因子对高斯图形模型进行有效采样。 （英语） Zbl 07847447号

斯达 3，第1期，326-336（2014）.
摘要：高斯图形模型的贝叶斯估计已被证明是具有挑战性的，因为高斯精度矩阵上的共轭先验分布，即G-Wishart分布，具有双重难以处理的配分函数。最近的发展提供了一种直接从（G）-Wishart分布抽样的方法，这使得模型选择的算法比以前更加有效。尽管如此，估计包含多个变量的高斯图形模型仍然是一项几乎不可行的任务。在这里，我们提出了两种新的算法，使用直接采样器更有效地逼近高斯图形模型的后验分布。第一种算法使用条件贝叶斯因子比较Metropolis-Hastings框架中的模型。第二种算法基于连续时间马尔可夫过程。我们表明，这两种算法都比最先进的替代方案快得多。最后，我们展示了如何使用这些算法通过静止状态功能磁共振成像同时估计皮层下大脑区域之间的结构和功能连通性。
{版权所有©2014 John Wiley&Sons，Ltd.}

引用于三文件

MSC公司：

62至XX 统计

关键词：

条件贝叶斯因子;功能连通性;高斯图形模型

软件：

ElemStatLearn（电子状态学习）
PDF格式BibTeX公司 XML格式引用
\textit{M.Hinne}等人，Stat 3，No.1，326--336（2014；Zbl 07847447）
全文： 内政部 arXiv公司

参考文献：

[1] Akil，H，Marton，ME&vanEssen，DC（2011），“挖掘神经科学数据的挑战和机遇”，《科学》，331（6018），708-712。
[2] Atay‐Kayis，A&Massam，H（2005），“计算不可分解高斯图形模型中边际似然的蒙特卡罗方法”，Biometrika，92（2），317-335·Zbl 1094.62028号
[3] Bullmore，E&Sporns，O（2009），“复杂脑网络：结构和功能系统的图论分析”，《自然评论神经科学》，10（3），186-198。
[4] Cappé，O，Robert，CP&Rydén，T（2003），“可逆跳跃、出生和死亡以及更一般的连续时间马尔可夫链蒙特卡罗采样器”，《皇家统计学会杂志：B辑（统计方法）》，65（3），679-700·Zbl 1063.62133号
[5] Cheng，Y&Lenkoski，A（2012），“层次高斯图形模型：超越可逆跳跃”，《电子统计杂志》，62309-2331·Zbl 1335.62042号
[6] Dawid，AP和Lauritzen，SL（1993），“可分解图形模型统计分析中的超马尔可夫定律”，《统计年鉴》，21，1272-1317·Zbl 0815.62038号
[7] Dempster，AP（1972），“协方差选择”，生物统计学，28157-175。
[8] Diaconis，P&Ylvisaker，D（1979），“指数族的共轭先验”，《统计年鉴》，第7（2）期，第269-281页·Zbl 0405.62011号
[9] Dobra，A&Lenkoski，A（2011），“Copula Gaussian图形模型及其在功能性残疾数据建模中的应用”，《应用统计年鉴》，5（2A）：969-993·Zbl 1232.62046号
[10] Dobra，A，Lenkoski，A&Rodriguez，A（2011），“一般高斯图形模型的贝叶斯推断及其在多元格点数据中的应用”，美国统计协会杂志，1061418-1433·Zbl 1234.62018年
[11] Friston，K（2011），“功能和有效连接：综述”，《大脑连接》，1（1），13-35。
[12] Green，PJ（1995），“可逆跳马尔可夫链蒙特卡罗计算和贝叶斯模型确定”，Biometrika，82711-732·Zbl 0861.62023号
[13] Hastie，T，Tibshirani，R&Friedman，J（2009），《统计学习的要素：数据挖掘、推断和预测》，第2版。，纽约州施普林格·兹比尔1273.62005
[14] Hinne，M，Ambrogioni，L，Janssen，RJ，Heskes，T&vanGerven，M（2014），“结构信息贝叶斯功能连通性分析”，NeuroImage，68，294-305。
[15] Jenkinson，M，Beckmann，CF，Behrens，TE，Woolrich，MW 7amp；Smith，SM（2012），“FSL”，NeuroImage，62，782-790。
[16] Kullback，S&Leibler，RA（1951），《信息与充分性》，《数理统计年鉴》，22，（1），79-86·Zbl 0042.38403号
[17] Lenkoski，A（2013），“G‐Wishart变量的直接采样器”，Stat，2（1），119-128。
[18] Liang，F（2010），“具有难以处理的归一化常数的空间模型的双Metropolis-Hastings采样器”，《统计计算与模拟杂志》，80，1007-1022·Zbl 1233.62117号
[19] Mitsakakis，N，Massam，H&Escobar，MD（2011），“基于Metropolis-Hastings的高斯图形模型G‐Wishart分布抽样方法”，《卫星电子杂志》，第5期，第18-30页·Zbl 1274.65009号
[20] Moghaddam，B，Marlin，B，Khan，E&Murphy，K（2009），“加速不可分解高斯图形模型的贝叶斯结构推断”，《Bengio，Y（ed.），Schuurmans，D（ed。
[21] Mohammadi，A&Wit，EC（2014），“稀疏高斯图形模型中的贝叶斯结构学习”，贝叶斯分析，出版。
[22] Murray，I，Ghahramani，Z&MacKay，DJC（2006），“用于双重棘手分布的MCMC”，第22届Ann Conf人工智能不确定性会议（UAI‐06），AUAI出版社，美国马萨诸塞州剑桥，359-366。
[23] Patenaude，B，Smith，SM，Kennedy，D&Jenkinson，M（2011），“皮层下大脑形状和外观的贝叶斯模型”，神经影像，56，（3），907-922。
[24] Piccioni，M（2000），“指数族和吉布斯采样器的自然共轭密度独立结构”，《斯堪的纳维亚统计杂志》，27111-127·Zbl 0938.62025号
[25] Poser，BA，Versluis，MJ，Hoogduin，JM&Norris，DG（2006），“利用多回波EPI增强BOLD对比敏感度和减少伪影：并行获得的非均匀性-脱敏fMRI”，《医学中的磁共振》，55，（6），1227-1235。
[26] Rao，V&Teh，YW（2012），“连续时间离散状态系统的MCMC”，《高级神经信息处理25》，Pereira，F（ed.），Burges，CJC（ed。
[27] Roverato，A（2002），“不可分解图的超逆Wishart分布及其在高斯图形模型贝叶斯推断中的应用”，《斯堪的纳维亚统计杂志》，29，（3），391-411·Zbl 1036.62027号
[28] Salinas，E&Sejnowski，TJ（2001），“相关神经元活动和神经信息流”，《自然评论神经科学》，2，（1），539-550。
[29] Smith，SM，Vidaurre，D，Beckmann，CF，Glasser，MF，Jenkinson，M，Miller，KL，Nichols，TE，ECRobinson，Salimi‐Khorshidi，G，Woolrich，MW，Barch，DM，U'urbil，K&Van Essen，DC（2013），“静息状态fMRI的功能连接组学”，认知科学趋势，17，（12），666-682。
[30] Stephens，M（2000），“成分数量未知的混合模型的贝叶斯分析——可逆跳跃方法的替代方法”，《统计学年鉴》，28，（1），40-74·Zbl 1106.62316号
[31] vanOort，ESB，vanCappellen van Walsum，AM&Norris，DG（2014），“默认模式网络的功能和结构连通性调查”，NeuroImage，90，381-389。
[32] Wang，H&Li，SZ（2012），“G‐Wishart分布下的有效高斯图形模型确定”，《电子统计杂志》，第6期，第168-198页·Zbl 1335.62069号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。