{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,1,29]]，“日期时间”：“2024-01-29T13:26:06Z”，“时间戳”：1706534766555}，“参考计数”：44，“出版商”：“计算机协会（ACM）”，“问题”：“5”，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“中国国家自然科学基金会”，“doi-asserted-by”：“publisher”，“award”：[“91746209，61772102，61702291，61702073”]}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[”acm Trans.Knowl.Discov.Data“]，“published-print”:{“date-parts”：[2021,10,31]}，”abstract“：”\n从功能网络中检测自组织联盟是揭示大脑功能机制的最重要方法之一。确定这些数据会在规模不平衡、异常值和硬示例方面带来众所周知的技术挑战。在本文中，我们提出了一种新的自适应骨架方法，通过基于概率混合模型的近似方法来检测联盟。网络中的节点以健壮性为特征\nk<\/jats:italic>\n-排序完整子图（\n\n个k）作为基本子结构。\nk<\/jats:italic>\n-集团枚举算法快速枚举所有\nk<\/jats:italic>\n-以并行方式为给定网络创建团。然后，从\nmax<\/jats:italic>\n-将团缩小到\nmin<\/jats:italic>\n-每个订单的clique\nk<\/jats:italic>\n分层嵌入到概率混合模型中。它们通过不同的顺序自动适应大脑功能网络中相应的联盟结构密度k<\/jats:italic>\n。所有的派系都被合并并进化成强大的骨架，通过消除异常值和分离重叠来维持每个不平衡的联盟。我们称之为k<\/jats:italic>\n-CLIque合并进化（CLIME）算法。实验结果表明，所提方法对密度变化和联盟混合具有鲁棒性，能够有效检测真实脑功能网络中的联盟。我们的方法揭示了联盟中感兴趣区域之间存在潜在的认知功能关系，这表明该方法可以有效地应用于神经科学研究。\n<\/jats:p>“，”DOI“：”10.1145\/3447570“，”type“：”期刊文章“，”created“：｛”日期部分“：[[2021,5,10]]，”日期时间“：”2021-05-10T22:24:14Z“，”时间戳“：1620685454000｝，”page“：”1-26“，”update policy“：”http:\/\/dx.DOI.org/10.1145\/crosmark policy“，”source“：”Crossref“，”由count引用“：1，”title“：[”自适应骨架法通过概率混合模型检测脑功能网络中的自组织联合“]，前缀：“10.1145”，卷：“15”，作者：[{“given”：“Kai”，“family”：“Liu”，“sequence”：“first”，“affiliation”：[{name”：“大连海事大学，辽宁大连”}]}，{“ORCID”：http:\/\/orcid.org\/00000-0001-9296-9975“，”authenticated-orcid“：false，”given“：”Hongbo“，”family“：”Liu“，”sequence“：”additional“，”affiliation“：[{”name“：”Dalian Maritime University，Dalian，Lilian”}]}，{“given”：“Tomas E.”，“family”：“Ward”，“sequence”：“additional”，“affiliance”：[{“name”：“Dublin City University、Dublin、Ireland”}]{，“givent”：“Hua”，“”family“：”Wang“，”sequence“：”additional“，”affiliation“：[{”name“：”Georgia Southern University，Statesboro，GA“}]}，{”given“：”Yu“，”family”：“Yang”，“sequence”：“additional”，“affiliance”：[[{“name”：“中国河南平顶山平顶山大学”}]，{“given”：“Bo”，“family大连海事大学，中国辽宁大连“}]}，{“给定”：“新东”，“家族”：“吴”，“序列”：“附加”，“隶属关系”：[{“名称”：“中国上海矿灯科学院”}]}]，“成员”：“320”，“在线发布”：{“日期-部件”：[[2021,5,10]]}、“参考”：[}“密钥”：“e_1_1_1”，“doi-asserted-by”：“出版商”，“doi”：“10.1016\/j.patrec.2006.11.010“}，{“key”：“e_1_1_2_1”，“volume-title”：“互联网技术的前沿”，“author”：“Chen Yuzhong”，“unstructured”：“Yuzhun Chen and Xiaohui Qiu.2013。用粒子群优化算法检测社交网络中的社区结构。互联网技术前沿。柏林施普林格，海德堡，266-275。陈宇忠和邱晓慧。2013.使用粒子群优化检测社交网络中的社区结构。互联网技术前沿。施普林格，柏林，海德堡，266--275。“}，{”key“：”e_1_1_3_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/s00220-013-1778-y”}，“key”：“e_1_i_1_4_1”，“doi-assert-by”：“publisher”，”doi“：”10.1002\/sam.10133“}”，{“年份”：“2018年”，“非结构化”：“Srayan Datta和Eytan Adar，2018年。CommunityDiff：可视化社区聚类算法。ACM《从数据中发现知识的交易》12，1，第11条（2018年），34页。Srayan Datta和Eytan Adar。2018.CommunityDiff:可视化社区聚类算法。ACM《从数据中发现知识的交易》12，1，第11条（2018年），34页。“}，{”key“：”e_1_1_6_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/s1122-007-9046-7”}，“key”：“e_2_1_7_1”，“doi-assert-by”：“publisher”，”doi“：”10.1103\/PhysRevLett.96.04001“}6“}，{”键“：”e_1_2_1_9_1“，”卷标“：”知识发现和数据挖掘国际会议。AAAI出版社，226--231“，“作者”：“埃斯特·马丁”，“年份”：“1996”，“非结构化”：“马丁·埃斯特、汉斯·彼得·克里格尔和徐晓伟。1996 . 用于发现簇的基于密度的算法用于发现带有噪声的大型空间数据库中的簇。在知识发现和数据挖掘国际会议上。AAAI出版社，226--231。马丁·埃斯特尔、汉斯·彼得·克里格尔和徐晓伟。1996年，用于发现簇的基于密度的算法，用于发现带有噪声的大型空间数据库中的簇。在知识发现和数据挖掘国际会议上。AAAI出版社，226--231.“}，{”key“：”e_1_2_1_10_1“，”doi-asserted-by“：”publisher“，“doi”：“10.3389\/fnins.2019.00585”}，“key”：“e_1_c_11_11_1”，“volume-title”：“脑网络分析基础”，“author”：“Fornito Alex”，“unstructured”：“Alex Fornito，Andrew Zalesky，and Edward Bullmore，2016。脑网络分析基础。学术出版社。Alex Fornito、Andrew Zalesky和Edward Bullmore。2016.脑网络分析基础。学术出版社。“}，{”key“：”e_1_1_12_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TMI.2002.109383”}，“key”：“e_2_1_13_1”，“doi-assert-by”：“publisher”，”doi“：”10.1073\/pnas.122653799“}”，{“}，{”key“：”e_1_2_1_15_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3274662”}，}“key“：”e_1_2_1_16_1“，”doi asserted by“：”publisher“，”doi“：”10.14778\/2856318.2856323“｝，｛”key“：”e_1_1_17_1“，”doi asserted by“：”publisher“，”doi“：”10.1145\/33499.331504“｝，｛”key“：”e_1_1_18_1“，”doi asserted by“：”publisher“，”doi“：”10.1145\/24485562448646“｝，｛”key“：”e_1_19_1“，”doi asserted by“：“publisher”，“doi”：“10.1109\/TKDE.2018.2873750”｝，｛”key“：”e_1_2_1_20_1“，”volume-title“：”Article 1“，”author“：”Kriegel Hans-Peter“，”year“：”2009“，”unstructured“：”Hans-Peer Kriegel、Peer Kr\u00f6ger和Arthur Zimek。2009年。高维数据聚类：关于子空间聚类、基于模式的聚类和相关聚类的调查。ACM《从数据中发现知识的汇刊》3，1，第1篇（2009年），58页。Hans-Peter Kriegel、Peer Kr\u00f6ger和Arthur Zimek。2009年。高维数据聚类：关于子空间聚类、基于模式的聚类和相关聚类的调查。ACM《从数据中发现知识的汇刊》3，1，第1篇（2009年），58页。“}，{“key”：“e_1_2_1_21_1”，“doi由”断言：“publisher”，“doi”：“10.1088\/1367-2630\/11\/3\/033015”}，{“key”：“e_1_2_22_1”，“卷标题”：“第22条”，“作者”：“李佩珍”，“年份”：“2020”，“非结构化”：“李佩珍、黄玲、王昌东、赖建煌和黄东。2020。通过Motif-软件标签传播进行社区检测。ACM《从数据中发现知识的汇刊》14，2，第22条（2020年），19页。李培珍、黄凌、王长东、赖建煌和黄冬。2020年，通过Motif-Aware标签传播进行社区检测。ACM《从数据中发现知识的汇刊》14，2，第22条（2020年），19页。“}，{”key“：”e_1_1_23_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1155\/2017\/3014163”}，“key”：“e_2_1_24_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TKDE.2018.2866424，{“key”：“e_1_2_1_26_1”，“首页”：“308”，“文章标题”：“加权无标度网络上的最小生成树”，“卷”：“15”，“作者”：“麦克唐纳德·帕特里克·杰克逊”，“年份”：“2012年”，“非结构化”：“帕特里克·杰克逊·麦克唐纳、艾文德·阿尔马斯和阿尔伯特·拉斯洛·巴拉巴西。2012 . 加权无标度网络上的最小生成树。物理学15，2（2012），308--314。帕特里克·杰克逊·麦克唐纳（Patrick Jackson Macdonald）、艾文德·阿尔马斯（Eivind Almaas）和阿尔伯特·拉斯洛·巴拉巴西（Albert-Laszlo Barabasi）。2012.加权无标度网络上的最小生成树。Physics 15，2（2012），308--314.“，”journal-title“：”Physics“}，{”key“：”e_1_2_1_27_1“，“volume-title”：“网络主题：复杂网络的简单构建块。Science 2985594”，“author”：“Milo Ron”，“year”：“2002”，“unstructured”：“Ron Milo，Shai Shen-Orr，Shalev Itzkovitz，Nadav Kashtan，Dmitri Chklovskii，and Uri Alon。2002。网络主题：复杂网络的简单构建块。《科学》2985594（2002），824--827。罗恩·米洛（Ron Milo）、谢申·奥尔（Shai Shen-Orr）、沙列夫·伊兹科维茨（Shalev Itzkovitz）、纳达夫·卡什坦（Nadav Kashtan）、德米特里·切洛夫斯基（Dmitri Chklovskii）和乌里·阿隆（Uri Alon）。2002年，网络主题：复杂网络的简单构建块。《科学》2985594（2002），824--827.“}，{“key”：“e_1_1_28_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1038\/s41567-018-0304-8”}，“key“：”e_1_i_1_29_1“，”doi-assert-by“：”publisher“，“doi”：“10.1103\/PhysRevE.69.066133”}.，{”key“:”e_2_1_30_1“I“：”10.1103\/PhysRevE.94.052315“}，{“key”：“e_1_2_1_31_1”，“volume-title”：“第三条“作者”：“倪莉”，“年份”：“2019年”，“非结构化”：“李妮、罗文坚、朱文杰、北华。2019.局部重叠社区检测。ACM《数据知识发现汇刊》第14卷第1页，第3条（2019年），共25页。李妮、罗文建、朱文杰和北华。2019.局部重叠社区检测。ACM《数据知识发现汇刊》第14卷第1页，第3条（2019年），共25页。“}，{”key“：”e_1_1_32_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1038\/nature03607”}，“key”：“e_1_i_1_33_1”，“doi-assert-by”：“publisher”，”doi“：”10.1002\/hbm.21104“}”，{“key“:”e_2_1_34_1“2017年7月。基础图论。瑞士查姆施普林格。Saidur Rahman医生。2017.基础图论。瑞士查姆施普林格。“}，{”key“：”e_1_2_1_35_1“，”volume-title“：”人工智能和神经科学如何相互推动。自然5717766“，”author“：”Savage Neil“，”year“：”2019“，”unstructured“：”Neil Savage.2019“。人工智能和神经科学如何相互推动。《自然》5717766（2019），S15\u201317。尼尔·萨维奇。2019.人工智能和神经科学如何相互推动。《自然》5717766（2019），S15\u201317.“}，{“key”：“e_1_1_36_1”，“doi-asserted-by”：“publisher”，”doi“：“10.14778\/2824032.2824115”}，“{”key“：”e_2_1_37_1“，”doi-assert-by“：”publisher“，“作者”：“石磊”，“年份”：“2018年”，“非结构化”：“雷石（Lei Shi）、童航航（Hanghang Tong）、戴安奴（Madelaine Daianu）、田峰（Feng Tian）和保罗（Paul M）。汤普森。2018 . 使用稀疏回归模型对大脑网络进行可视化分析。ACM《从数据中发现知识的汇刊》12，1，第5条（2018年），30页。史磊（Lei Shi）、童航航（Hanghang Tong）、戴安奴（Madelaine Daianu）、田峰（Feng Tian）和汤普森（Paul M.Thompson）。2018年。使用稀疏回归模型对大脑网络进行可视化分析。ACM《从数据中发现知识的汇刊》12，1，第5条（2018年），30页。“}，{”key“：”e_1_2_1_39_1“，”volume-title“：”如何映射定义我们的电路。Nature 548，7666“，”author“：”Smith Kerri“，”year“：”2017“，”unstructured“：”Kerri Smith.2017“。如何绘制定义我们的电路图。《自然》5487666（2017），150-152。克里·史密斯。2017.如何映射定义我们的电路。Nature 548，7666（2017），150-152。“}，{“key”：“e_1_2_1_40_1”，“volume-title”：“ACM SIGKDD国际知识发现和数据挖掘会议”，“卷”：“12”，“作者”：“徐晓伟”，“非结构化”：“Xiaowei Xu，Nurcan Yuruk，Zhidan Feng，and Thomas A.J.Schweiger。2007。SCAN：一种用于网络的结构化聚类算法。在ACM SIGKDD知识发现和数据挖掘国际会议上，第12卷。计算机械协会，纽约州纽约市，824--833。徐晓伟（Xiaowei Xu）、纽坎·尤鲁克（Nurcan Yuruk）、冯志丹（Zhidan Feng）和托马斯·施韦格（Thomas A.J.Schweiger）。2007年。SCAN：一种网络结构聚类算法。在ACM SIGKDD知识发现和数据挖掘国际会议上，第12卷。计算机械协会，纽约州纽约市，824--833。“}，{“key”：“e_1_2_1_41_1”，“volume-title”：“从社交网络中发现社区：方法和应用”，“author”：“Yang Bo”，《unstructured》：“Bo Yang，Dayou Liu，and Jiming Liu。2010。从社交网络中发现社区：方法论和应用。马萨诸塞州波士顿斯普林格，331-346。杨波、刘大友和刘继明。2010年，《从社交网络中发现社区：方法和应用》。Springer，Boston，MA，331--346.“}，{“key”：“e_1_2_1_42_1”，“volume-title”：“新的快速网络方法从投资大数据挖掘潜在结构”，“author”：“Yang Liping”，“year”：“2019”，“unstructured”：“Liping Yang，Yu Yang，Gervas Mgaya，Bo Zhang，Long Chen，and Hongbo Liu.2019。新型快速网络方法从投资大数据中挖掘潜在结构。IEEE系统、人与控制论汇刊：系统（2019），1-11。杨丽萍（Liping Yang）、杨瑜（Yu Yang），格瓦斯·姆加亚（Gervas Mgaya）、张波（Bo Zhang）、陈龙（Long Chen）和刘洪波（Hongbo Liu）。2019.新型快速网络方法，从投资大数据中挖掘潜在结构。IEEE系统、人与控制论汇刊：系统（2019年），1--11.“}，{”key“：”e_1_2_1_43_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TKDE.2017.2783933”}，“{”key“：“e_1_i_1_44_1”，“volume-title”：“Article 47”，“author”：“Zhou Xien”，“year”：“2019”，“unstructured”：“Xien Zhou，Huanhuan Chen，and Jinlong Li.2019”。绘制地下管道的概率混合模型。ACM《数据知识发现汇刊》第13、5卷，第47条（2019年），26页。周希仁，陈欢欢，李金龙，2019。绘制地下管道的概率混合模型。ACM《数据知识发现汇刊》第13、5卷，第47条（2019年），26页。“}]，”container-title“：[”ACM Transactions on Knowledge Discovery from Data“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/344570“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}”，”deposed“：{”date-parts“：[2023,1]]，”date-time“：“”2023-01-01T23:31:28Z“，”timestamp“：1672615888000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/344570”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{-“date-parts”：[2021,5,10]]}，《references-count》：44，“journal-issue”：{--“issue”：“5”，“published-print”：{:“date-pat”rts“：[[2021,10,31]]}}，”alternative-id“：[”10.1145\/3447570“]，”URL“：”http:\/\/dx.doi.org/10.1145\/3447570“，”relationship“：｛｝，”ISSN“：[”1556-4681“，”1556-472X“]，”ISSN type“：[”value“：”1556-4681“，”type“：”print“｝，”value“：”1556-472X“，”type“：”electronic“｝]，”subject“：[]，”published“：｛”date parts“：[[2021,5,10]]｝，”assertion“：[”value“：”2020-03-01“，”order“：0，“name”：“received”，“label”：“received”，“group”：｛“name”：“publication_history“，”label“：”publication history“}}，”value“：”2021-01-01“，”order“：1，”name“：”accepted“，”tabel“：“accepted”，“group”：{“name”：“publication_history”，“label”：“publication-history”}，{“value”：“2021-05-10”，“order”：2，“name”:“published”，”label:“published”，”group“：