Dec, 2015

高斯图模型的差异性检验及其应用：大脑连接研究

PDF
TL;DR该研究通过使用稀疏估计的参数来计算信赖区间，建立了基于大脑功能的参数分布，提出一种去偏的多任务融合 Lasso 方法。该方法可用于比较变化的功能脑网络边缘，并在自闭症研究方面进行了验证。
functional brain networksgaussian graphical modelssparse estimationconfidence intervalsautism
发现论文，激发创造
  • 基于贝叶斯推断的脑网络群体差异检验

    本文提出了一种贝叶斯方法，以测试不同群体之间神经网络结构的全局和局部差异，从而为人类大脑网络与创造力之间的关系提供了新的见解。

    Nov, 2014

  • 学习潜变量高斯图模型

    本文介绍了一种条件稀疏的潜变量高斯图模型（LVGGM），利用正则化的极大似然方法来学习具有低秩加稀疏结构的逆协方差矩阵，并在高维情况下得到了新的参数估计误差界限。

    Jun, 2014

  • 通过非凸正则化共同学习多个格兰杰因果网络：推断群体级别的脑连接

    本文介绍了一种基于稀疏学习的方法，通过多个 Granger 图对多个时间序列进行联合学习以发现共同和差异的 Granger 因果关系结构，该方法在 ADHD 的 fMRI 数据集中找到了两组个体的大脑连接机制及其差异。

    May, 2021

  • 基于节点学习的多个高斯图模型

    该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。

    Mar, 2013

  • 从高斯图模型和高斯自由场学习网络

    通过基于高斯分布的傅里叶分析属性，我们提出了一个新的估计器，可从在网络上重复测量的高斯自由场图中估计加权网络的结构（等价地，其拉普拉斯矩阵），并展示了具体的恢复保证和所需样本复杂度的界限。

    Aug, 2023

  • 公平 GLASSO: 无偏统计行为估计公平图模型

    我们提出了一种公平估计的高斯图模型，该模型可以通过两个偏差度量来促进不同敏感属性的节点组之间的统计相似性的平衡。利用这些度量，我们提出了一种称为 Fair GLASSO 的正则化图拉索方法，以获得在组之间具有无偏统计依赖关系的稀疏高斯精度矩阵。我们还提出了一种高效的近端梯度算法来获得这些估计值。在理论上，我们阐明了公平性和准确性之间的权衡关系，包括在公平性约束下准确性可以得到保持的情况。此外，我们研究了 Fair GLASSO 的复杂性，并证明了我们的算法具有快速收敛速度。通过合成和真实世界的模拟验证，我们展示了我们提出的优化问题和迭代算法的价值和有效性。

    Jun, 2024

  • 脑协方差选择：利用群体先验改进个体功能连接模型

    通过建立整个脑部的概率模型，利用群体数据来推断个体的脑连接结构，进而探索大规模的功能结构，以及首次展示已知的认知网络是如何成为功能连接图的集成社团的。

    Aug, 2010

  • 高斯图模型的条件矩阵流

    该研究提出了一种变分推断方法，通过定义于对称正定矩阵空间上的矩阵变分流来逼近高斯图模型的后验分布，对任意正则化参数 λ 和任意 l_p (伪 -) 范数，包括非凸的 l1 伪范数进行联合训练，从而获得一个模型，并可以恢复频率主义的解路径。

    Jun, 2023

  • 从多属性数据中学习高维微分图

    通过多属性数据分析，提出了一种基于组套索罚函数和交替方向乘子法的差分图学习方法，给出了在高维环境下对支持恢复和估计的一致性理论分析，并展示了基于合成数据和真实数据的数值结果。

    Dec, 2023

  • 推断多个图结构

    本文提出了两种估计多个相关图的方法，并将亲密度假设转化为经验先验或组惩罚。我们提供了定量结果，证明了所提出方法的优势。该论文介绍的方法已嵌入 R 软件包'simone' 版本 1.0-0 及更高版本中。

    Dec, 2009