通过采用分层贝叶斯高斯图模型，该研究方法能够利用结构连接知识来估计功能网络，从而提高了功能大脑网络估计的准确性和拓扑特征在扫描会话间的可重复性。

Feb, 2018

本文旨在从几何和高维统计推理的概念和技术入手，通过对图拉普拉斯矩阵空间的精确定义和 Fréchet 的非参数平均概念，为功能神经成像数据的网络构建提供一种新的全局测试方法，并展示了其相较于基于无差别分析的单变量方法更具统计学优势的全局测试方法。此外我们还给出了一种可视化每条边对于总测试统计量的单独贡献的方法。

Jul, 2014

本文综述了功能连接组的快速发展和多种方法，在静息状态下和任务驱动实验中如何比较它们，同时分析它们在不同个体和条件下的变异性，可以揭示大脑病理和认知机制的标记。

Apr, 2013

本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合 - GCN 比现有的多模态图学习方法更有效。

Oct, 2022

用 Deep Signed Brain Networks（DSBN）建立了一种新的图学习框架，以连接两种脑网络，以预测临床表型和神经退行性疾病，结果显示其优于其他现有方法。

May, 2022

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

提出一种可解释性的分层符号图表示学习模型，用于从脑功能网络中提取全局表示以用于不同的预测任务，并且通过数据扩充进一步提高其性能。通过在 HCP 和 OASIS 数据集上进行广泛实验的结果表明，该模型在预测任务中表现出优越性，并使用图形显着性图来检测和解释表型生物标志物。

Jul, 2022

本文介绍了一种基于 Smooth Incremental Graphical Lasso Estimation (SINGLE) 算法的动态脑网络建模方法。通过应用 SINGLE 算法来分析 24 位健康患者进行选择 - 反应任务的功能磁共振成像数据，研究人员展示了伴随着认知任务的动态网络结构变化，特别是右侧额下回皮质区域的动态变化对于认知控制总起着重要作用，并可能在调控其他脑区之间的平衡中扮演关键角色。

Oct, 2013

本文介绍了一种用于分类脑网络的新方法：通过提取对比子图来建立简单而可解释的模型，该方法在分类准确度上表现优异，并在分析自闭症谱系障碍儿童和正常儿童的脑网络数据集时发现了与神经科学文献中的背景知识相符的有趣模式。

Jun, 2020

该论文提出了一种用于从复制网络中估计共同结构和分析个体特异性差异的方法 —— 多重图分解（M-GRAF）模型，并对该方法进行了模拟和实际数据实验，研究表明该方法具有较好的操作特性。

Jul, 2017