×
马聪;陆俊伟;刘，韩

主题间分析：偏高斯图形模型方法。 （英语） Zbl 1464.62462号

美国统计协会。 116，编号534，746-755（2021）.
小结：与传统的主题内分析不同，主题间分析（ISA）的目标是以主题内依赖为干扰，探索不同主题之间的依赖结构。ISA在神经科学中具有重要的应用，可以研究自然刺激下大脑区域之间的功能连接。我们提出了一个基于高斯图形模型的ISA建模框架，在该框架下，ISA可以转换为偏高斯图形模型估计和推理问题。主要的统计挑战是，我们没有对整个精度矩阵施加稀疏约束，并且我们只假设主题间部分是稀疏的。对于估计，我们建议估计一个替代参数来绕过非解析问题，即使主题内依赖关系很密集，它也可以实现渐近一致性。为了进行推理，我们提出了一种“解角和弦”的方法来消除估计量的偏差。它在不需要对数似然函数的逆Hessian稀疏性假设的情况下是有效的。这种推断方法是通用的，可以应用于许多其他统计问题，因此具有独立的理论意义。模拟数据和脑成像数据的数值实验验证了我们的方法和理论。

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析
2012年12月62日 参数估计量的渐近性质
62H22个 概率图形模型

关键词：

fMRI数据;高斯图形模型;妨害参数;样品分割;不确定性评估

软件：

玻璃制品
PDF格式BibTeX公司 XML格式引用
\textit{C.Ma}等人，《美国统计协会期刊》第116卷，第534、746--755号（2021年；Zbl 1464.62462）
全文： 内政部

参考文献：

[1] 巴尔达萨诺，C。；贝克，D.M。；Fei-Fei，L.，“空间地图中的分组连通性”，PeerJ，3，e784（2015）·doi:10.7717/peerj.784
[2] O.班纳吉。；加维，L.E。；d'Aspremont，A.，“通过多元高斯或二进制数据的稀疏最大似然估计进行模型选择，机器学习研究杂志，9，485-516（2008）·Zbl 1225.68149号
[3] Bartels，A。；Zeki，S.，“自由观看自然场景时的大脑功能映射，人脑映射，21，75-85（2004）·doi:10.1002/hbm.10153
[4] Belitski，A。；格雷顿，A。；马格里，C。；Y.村山。；蒙特穆罗，硕士。；北卡罗来纳州Logothetis。；Panzeri，S.，“初级视皮层低频局部场电位和峰值传递独立视觉信息，神经科学杂志，28，5696-5709（2008）·doi:10.1523/JNEUROSCI.0009-08.2008
[5] Bickel，P.J。；Levina，E.，“大协方差矩阵的正则化估计”，《统计年鉴》，36，199-227（2008）·Zbl 1132.62040号 ·doi:10.1214/009053607000000758
[6] 蔡，T。；刘伟。；Luo，X.，“稀疏精度矩阵估计的约束（####）最小化方法”，美国统计协会杂志，106，594-607（2011）·Zbl 1232.62087号
[7] Cai，T.T。；刘伟。；Zhou，H.H.，“估计稀疏精度矩阵：最优收敛速度和自适应估计”，《统计年鉴》，44455-488（2016）·Zbl 1341.62115号 ·doi:10.1214/13-AOS1171
[8] 陈，J。；Leong，Y.C。；Honey，C.J。；Yong，C.H。；诺曼，K.A。；Hasson，U.，“共享记忆揭示了个体间神经活动的共享结构”，《自然神经科学》，2017年第20期，第115-125页·doi:10.1038/nn.4450
[9] 弗里德曼，J。；哈斯蒂，T。；Tibshirani，R.，“用图形拉索进行稀疏逆协方差估计，生物统计学，9，432-441（2008）·兹比尔1143.62076 ·doi:10.1093/biostatistics/kxm045
[10] Gu，Q.，Cao，Y.，Ning，Y.和Liu，H.（2015），“高维高斯Copula图形模型的局部和全局推断”，arXiv编号1502.02347。
[11] 哈特利，T。；Maguire，E.A。；Spiers，H.J。；Burgess，N.，“破旧的路线和少走的路线：人类路线追踪和寻路的不同神经基础，Neuron，37877-888（2003）·doi:10.1016/S0896-6273（03）00095-3
[12] 哈森，美国。；Nir，Y。；利维，I。；Fuhrmann，G。；Malach，R.，“自然视觉期间大脑皮层活动的受试者间同步，科学，303，1634-1640（2004）·数字对象标识代码：10.1126/science.1089506
[13] 霍维茨，B。；Rapoport，S.I.，“部分相关系数近似于大脑代谢活动区域间关系分析中的真实受试者内相关模式，核医学杂志，29，392-399（1988）
[14] 黄，S。；李，J。；Sun，L。；Ye，J。；Fleisher，A。；Wu，T。；Chen，K。；Reiman，E.公司。；阿尔茨海默病神经成像倡议，“通过稀疏反向协方差估计学习阿尔茨海默氏病的大脑连通性，神经图像，50935-949（2010）·doi:10.1016/j.neuroimage.2009.12.120
[15] Isserlis，L.，“关于具有偏回归的多频率分布的某些可能误差和相关系数，生物特征，11，185-190（1916）·doi:10.1093/biomet/11.3185
[16] Jankova，J。；van de Geer，S.，“高维逆协方差估计的置信区间”，《电子统计杂志》，9，1205-1229（2015）·Zbl 1328.62458号 ·doi:10.1214/15-EJS1031
[17] 爪哇马德，A。；Montanari，A.，“高维回归的置信区间和假设检验，机器学习研究杂志，152869-2909（2014）·Zbl 1319.62145号
[18] Lee，H。；Lee，D.S。；Kang，H。；Kim，B.-N。；Chung，M.K.，“压缩感知下的稀疏脑网络恢复，IEEE医学成像汇刊，301154-1165（2011）·doi:10.1109/TMI.2011.2140380
[19] Lindquist，M.A.，“fMRI数据的统计分析，统计科学，23439-464（2008）·Zbl 1329.62296号 ·doi:10.1214/09-STS282
[20] Liu，S.、Suzuki，T.、Sugiyama，M.和Fukumizu，K.（2016），“分区马尔可夫网络的结构学习”，机器学习国际会议。
[21] Marrelec，G。；Krainik，A。；Duffau，H。；佩列格里尼·伊斯萨克，M。；Lehéricy，S。；多扬，J。；Benali，H.，“功能MRI中功能性脑互动研究的部分相关性，神经影像，32，228-237（2006）·doi:10.1016/j.neuroimage.2005.12.057
[22] Mechler，F。；维克多·J·D。；Purpura，K.P.公司。；Shapley，R.，“V1神经元对瞬态而非稳态刺激的对比度进行鲁棒时间编码，神经科学杂志，18，6583-6598（1998）·doi:10.1523/JNEUROSCI.18-16-06583.1998
[23] Meinshausen，北卡罗来纳州。；Bühlmann，P.，“高维图和拉索变量选择，统计年鉴，341436-1462（2006）·Zbl 1113.62082号 ·doi:10.1214/0090536000000281
[24] 米勒，B.L。；Cummings，J.L.，《人类额叶：功能和疾病》（2007），纽约：吉尔福德出版社，纽约
[25] 宁，Y。；Liu，H.，“稀疏高维模型的假设检验和置信域的一般理论”，《统计学年鉴》，45，158-195（2017）·Zbl 1364.62128号 ·doi:10.1214/16-AOS1448
[26] 拉维库马尔，P。；Wainwright，M.J。；Raskutti，G。；Yu，B.，“通过最小化\（####\）-惩罚对数行列式方差进行高维协方差估计”，《电子统计学杂志》，5935-980（2011）·Zbl 1274.62190号
[27] Rothman，A.J。；Bickel，P.J。；Levina，E。；Zhu，J.，“稀疏排列不变协方差估计”，《电子统计学杂志》，第2494-515页（2008）·Zbl 1320.62135号 ·doi:10.1214/08-EJS176
[28] Simony，E。；Honey，C.J。；陈，J。；O.Lositsky。；Yeshurun，Y。；Wiesel，A。；Hasson，U.，“叙事理解过程中默认模式网络的动态重构”，《自然通讯》，第7期，第12141页（2016年）·doi:10.1038/ncomms12141
[29] van de Geer，S。；Bühlmann，P。；Ritov，Y。；Dezeure，R.，“关于高维模型的渐近最优置信区域和测试，统计年鉴，42，1166-1202（2014）·Zbl 1305.62259号 ·doi:10.1214/14-AOS1221
[30] 瓦罗佐，G。；Gramfort，A。；Poline，J.B。；Thirion，B.，“fMRI相关结构的马尔可夫模型：大脑功能连接是小世界还是可分解为网络？”，《生理学杂志-巴黎》，106，212-221（2012）·doi:10.1016/j.jphysparis.2012.01.001
[31] 姚，H。；Shi，L。；Han，F。；高，H。；Dan，Y.，“视觉场景皮层编码的快速学习”，《自然神经科学》，2007年第10772-778页·doi:10.1038/nn1895
[32] Yuan，M.，“基于线性规划的高维逆协方差矩阵估计，机器学习研究杂志，112261-2286（2010）·Zbl 1242.62043号
[33] 袁，M。；Lin，Y.，“高斯图形模型中的模型选择和估计，生物特征，94，19-35（2007）·Zbl 1142.62408号 ·doi:10.1093/biomet/asm018
[34] 袁，X.-T。；Zhang，T.，“偏高斯图形模型估计，IEEE信息理论汇刊，601673-1687（2014）·Zbl 1360.62284号 ·doi:10.1109/TIT.2013.2296784
[35] 扎克斯，J.M。；Braver，T.S。；Sheridan，医学硕士。；Donaldson，D.I。；斯奈德，A.Z。；Ollinger，J.M。；巴克纳，R.L。；Raichle，M.E.，“人类大脑活动时间锁定于感知事件边界，自然神经科学，4651-655（2001）·数字对象标识代码：10.1038/88486
[36] 张，C.-H。；Zhang，S.S.，“高维线性模型中低维参数的置信区间”，《皇家统计学会杂志》，B辑，76，217-242（2014）·Zbl 1411.62196号 ·doi:10.1111/rssb.12026
[37] 赵S.D。；Cai，T.T。；Li，H.，“差分网络的直接估计”，Biometrika，101253-268（2014）·Zbl 1452.62865号 ·doi:10.1093/biomet/asu009
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且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。