鲁道夫·杰纳顿；亚历山大·格兰福德；文森特·米歇尔；纪尧姆·奥博金斯基；伊芙琳·埃格尔；弗朗西斯·巴赫；贝特朗·蒂里昂 具有层次结构稀疏性的fMRI数据的多尺度挖掘。 （英语） Zbl 1263.90059号 SIAM J.成像科学。 5，第3期，835-856（2012）. 摘要：反向推理或大脑阅读是一种基于模式识别和统计学习分析功能性磁共振成像（fMRI）数据的最新范式。通过预测与大脑激活图相关的一些认知变量，该方法旨在解码大脑活动。反向推理考虑了体素之间的多元信息，目前是评估某些认知信息被整个大脑中的神经群体活动精确编码的唯一方法。然而，它依赖于一个受到维度诅咒困扰的预测函数，因为特征远多于样本，即体素多于fMRI体积。为了解决这个问题，人们提出了不同的方法，包括单变量特征选择、特征聚集和正则化技术。在本文中，我们考虑一种稀疏的层次结构正则化。具体地说，我们使用的惩罚是从空间约束凝聚聚类获得的树中构造的。该方法将不同尺度的数据的空间结构编码为正则化，从而使整个预测过程对学科间的变异性更加稳健。所使用的正则化诱导在不同尺度上同时选择空间相干的预测大脑区域。我们在获取的真实数据上测试了我们的算法，以研究对象的心理表征，我们表明，与参考方法相比，该算法不仅描绘了有意义的大脑区域，而且产生了更好的预测准确性。 引用于4文件 MSC公司： 90C25型 凸面编程 65层22 数值线性代数中的不适定性和正则化问题 62页第10页 统计学在生物学和医学中的应用；元分析 62小时99 多元分析 62J07型 岭回归；收缩估计器（拉索） 关键词：大脑阅读；结构稀疏性；稀疏层次模型；受试者间验证；近似方法 软件：取消锁定BoX；玛亚维；玛雅维 PDF格式BibTeX公司 XML格式引用 \textit{R.Jenatton}等人，SIAM J.成像科学。5，第3号，835--856（2012；Zbl 1263.90059） 全文： 内政部 arXiv公司 链接