High-dimensional Tensor Response Regression using the t-Distribution
针对张量响应回归中非高斯数据问题,提出基于张量t分布的惩罚似然与一步估计方法,实现高维下的极小极大最优估计。
2023-06-21 stat.ME
Partially-shared Imaging Regression on Integrating Heterogeneous Brain-Cognition Associations across Alzheimer's Diagnoses
University of California, Los Angeles(加州大学洛杉矶分校);Carnegie Mellon University(卡内基梅隆大学);Shanghai University of Finance and Economics(上海财经大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出PAIR模型,通过部分共享结构整合异质脑认知关联,揭示不同诊断组脑认知路径的显著异质性。
2026-04-30 stat.ME
Tucker Tensor Regression and Neuroimaging Analysis
大规模的神经影像学研究一直在收集研究个体的大脑图像,这些图像采用二维、三维或更高维阵列的形式,也称为张量。解决这些数据所产生的科学问题需要新的回归模型,以多维数组作为协变量。简单地将图像数组转换为长向量会导致非常高的维数,这会损害经典的回归方法,更严重的是,破坏了拥有丰富信息的数组数据的固有空间结构。本文基于回归系数阵列的Tucker分解,提出了一类广义线性张量回归模型。有效地利用张量协变量的低秩结构,将多维性带到可管理的水平,从而实现有效的估计。我们证明,无论是数值上,新的模型可以提供一个良好的恢复,甚至高秩信号,渐近的模型是一致的估计最好的塔克结构近似的Kullback-Liebler距离的意义上的全阵列模型。新的模型还比较了最近提出的张量回归模型,依赖于替代CANDECOMP/PARAFAC(CP)分解。
2013-04-20 stat.ME
Classical Statistics and Statistical Learning in Imaging Neuroscience
神经影像学研究主要基于经典统计学得出结论,包括零假设检验,t检验和ANOVA。近年来,统计学习方法越来越受欢迎,包括交叉验证,模式分类和稀疏诱导回归。这两种用于神经影像学数据分析的方法可以被看作是一个连续体的两个极端。然而,它们起源于不同的历史背景,建立在不同的理论基础上,基于不同的假设,评估不同的结果指标,并允许不同的结论。本文描述了经典统计学和统计学习之间的共性和差异,以及它们与神经影像学研究的关系。在三个常见的分析方案中说明了概念上的影响。因此,它试图解决经典的假设检验和数据引导的模型估计之间可能存在的混淆,讨论他们的神经影像学访问神经生物学的分支。
2016-05-04 q-bio.NC stat.ML
Geostatistical Modeling of Positive Definite Matrices: An Application to Diffusion Tensor Imaging
连续点参考数据的地统计建模已被广泛应用于神经成像,因为它产生高效和有效的统计推断。然而,弥散张量成像(DTI),一种表征大脑结构的神经成像,产生了肯定的(p.d.)矩阵为每个voxel。目前的地质统计学建模尚未扩展到p.d.。矩阵,因为在正定矩阵之间适当地引入空间依赖性是具有挑战性的。在本文中,我们使用空间Wishart过程,空间随机过程(随机场),其中每个p. d.矩阵变量边缘遵循Wishart分布,随机矩阵之间的空间依赖性是由潜在的高斯过程引起的。这个过程是有效的不可数的空间位置的集合,几乎肯定是连续的,从而导致一个合理的手段建模空间依赖。基于可卡因使用者的DTI数据集,我们提出了一个基于空间Wishart过程的空间矩阵变量回归模型。一个有问题的问题是,空间Wishart过程没有封闭形式的密度函数。因此,我们提出近似方法,以获得一个可行的工作模型。局部似然近似方法也适用于实现快速计算。仿真研究和实际数据分析表明,工作模型产生可靠的推理和改善性能相比,其他方法。
2019-06-13 stat.AP stat.ME
Statistical Inference of Auto-correlated Eigenvalues with Applications to Diffusion Tensor Imaging
扩散张量成像(DTI)是分析解剖结构的常用神经影像学工具。DTI的显着特征是逐体素变量是一个3x 3正定矩阵,而不是标量,描述了体素处的扩散过程。最近,已经提出了几种统计方法来分析DTI数据。本文重点介绍了统计推断的特征值的DTI,因为它提供了更透明的临床解释。然而,特征值的统计推断在统计上具有挑战性,因为很少有人将这些响应视为随机特征值。在本文中,我们依赖于Wishart矩阵的特征值的分布模型的随机特征值。提出了一个层次模型,该模型捕捉了特征值的随机性和空间自相关性,以推断局部协变量的影响。采用Monte-Carlo期望最大化算法进行参数估计。仿真研究和IXI数据集的应用都证明了我们的建议。结果表明,该方法在分析自相关随机特征值时比其它方法更合适。
2021-03-29 stat.ME
A tensor based varying-coefficient model for multi-modal neuroimaging data analysis
所有神经影像学方式都有其自身的优势和局限性。目前的趋势是跨学科的方法,使用多种成像方法,以克服孤立的每种方法的局限性。与此同时,神经成像数据越来越多地与其他非成像模式相结合,例如行为和遗传数据。许多这些模态的数据结构可以表示为时变多维数组(张量),在多个受试者的不同时间点收集。在这里,我们考虑了一种新的方法来研究神经相关的张量值的大脑图像和张量值的预测,其中两种数据类型都收集在同一组时间点。我们提出了一个随时间变化的张量回归模型与固有的结构组成的响应和协变量。回归系数表示使用B样条技术,和基函数系数估计使用CP分解通过最小化惩罚损失函数。我们开发了一个变系数模型的张量值回归模型,其中预测和响应建模为张量。这种发展是一个非平凡的扩展功能上功能并发线性模型的复杂和大型结构数据的固有结构被保留。除了方法和理论的发展之外,基于模拟和真实数据分析的所提出的方法的功效(例如,还讨论了眼睛跟踪数据和功能磁共振成像(fMRI)数据的组合)。
2023-03-29 stat.ME
Robust Geodesic Regression
Seoul National University(首尔大学)
研究了黎曼流形上数据的稳健回归问题。测地线回归是将线性回归推广到具有流形值因变量和一个或多个实值自变量的设置。现有的测地线回归工作使用平方和误差来找到解决方案,但在经典的欧几里德的情况下,最小二乘法是高度敏感的离群值。在本文中,我们使用M-型估计,包括$L_1$,Huber和Tukey双权估计,进行稳健测地回归,并描述如何计算后两者的调整参数。我们还表明,在紧凑的对称空间,所有的M型估计是极大似然估计,并认为整体的优越性的$L_1$估计的$L_2$和Huber估计的高维流形和Tukey biwight估计紧凑的高维流形。数值例子的结果,包括真实的神经影像数据的分析,证明了所提出的方法有前途的经验性质。
2022-01-25 cs.LG stat.ME stat.ML
Nonparametric Matrix Response Regression with Application to Brain Imaging Data Analysis
随着神经影像学技术的发展,近年来人们致力于研究脑活动的动态变化。例子包括时程钙成像和动态脑功能连接。在本文中,我们提出了一种新的非参数矩阵响应回归模型来描述二维图像结果和预测因子(如时间和患者信息)之间的非线性关联。我们的估计过程可以被公式化为核范数正则化问题,它可以捕获动态2D图像的底层低秩结构。我们提出了一种计算效率高的算法,推导了渐进理论,并在模拟中表明该方法优于其他现有方法。然后,我们将所提出的方法应用于钙成像研究,以估计神经元荧光强度的变化,以及脑电图研究,以比较酒精和对照个体之间的动态连接协方差阵。对于这两项研究,该方法导致预测误差的大幅改善。
2020-08-28 stat.AP stat.ME
STORE: Sparse Tensor Response Regression and Neuroimaging Analysis
受神经影像分析中的应用的启发,我们提出了一种新的回归模型,稀疏张量响应回归(STORE),张量响应和向量预测。STORE嵌入了两个关键的稀疏结构:元素稀疏性和低秩。它可以处理非对称和对称张量响应,因此适用于结构和功能神经成像数据。我们将参数估计转化为一个非凸优化问题,并提出了一种有效的交替更新算法。我们建立了一个非渐近的估计误差界的实际估计从所提出的算法。这个误差界揭示了一个有趣的计算效率和统计收敛速度之间的相互作用。当误差张量的分布为高斯分布时,我们进一步得到了一个快速的估计误差率,它允许张量维数随样本量呈指数增长。我们说明了我们的模型的有效性,通过密集的模拟和自闭症谱系障碍的神经成像数据的分析。
2017-11-24 stat.AP stat.ME stat.ML
A hypothesis-driven method based on machine learning for neuroimaging data analysis
DASCI Institute(DASCI研究所);University of Granada(格拉纳达大学);University of Seville(塞维利亚大学);University of Malaga(马拉加大学);University of Cambridge(剑桥大学)
关于机器学习(MLE)方法用于区分样本或激活状态之间的脑图像空间模式的有用性和解释仍然存在一个悬而未决的问题。在过去的几十年中,这些方法将其操作限制在用于组间推理的特征提取和线性分类任务上。在这种情况下,通过随机排列图像标签或使用考虑受试者间变异性的随机效应模型评估统计推断。这些基于多元MLE的统计管道,虽然可能比假设驱动的方法更有效地检测激活,但已经失去了其数学优雅性,易于解释性和无处不在的一般线性模型(GLM)的空间定位。最近,传统的GLM的估计已被证明是连接到一个单变量的分类任务时,设计矩阵表示为一个二进制指标矩阵。本文研究了一元广义线性模型与极大似然估计\emph{regressions}之间的完全联系。为了这个目的,我们得到一个精细的统计测试与GLM的基础上获得的参数由线性支持向量回归(SVR)在\emph{inverse}问题(SVR-iGLM)。随后,随机场理论(RFT)用于评估统计显著性后,传统的GLM基准。实验结果表明,如何参数估计来自每个模型(主要是GLM和SVR)的结果在不同的试验设计估计,显着相关的预定义的功能任务。此外,使用来自多站点倡议的真实数据,所提出的基于MLE的推断展示了统计功效和假阳性的控制,优于常规的GLM。
2022-02-17 cs.LG eess.IV stat.ML
Poisson-response Tensor-on-Tensor Regression and Applications
Sandia National Laboratories(桑迪亚国家实验室)
本文提出泊松响应张量-张量回归方法,用于处理由随机泊松分布计数构成的张量响应,通过最大似然估计和CP结构算法分析多维数据,并在纵向数据、PET图像重建和通信模式检测中展示其应用价值。
2026-04-08 math.ST stat.AP stat.ME
Rank-adaptive covariance testing with applications to genomics and neuroimaging
University of Toronto(多伦多大学);University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
本文提出Rank-Adaptive Covariance Testing方法,通过利用两组协方差矩阵的低秩结构差异提升检验效能,适用于基因表达网络和扩散张量成像数据的协方差异质性检验。
2025-07-23 math.ST stat.AP stat.ME
Reduced-Rank Tensor-on-Tensor Regression and Tensor-variate Analysis of Variance
拟合具有许多多元响应和协变量的回归模型可能具有挑战性,但此类响应和协变量有时具有张量变量结构。我们扩展了经典的多元回归模型,利用这种结构,在两个方面:首先,我们施加四种类型的低秩张量格式的回归系数。其次,我们使用张量变量正态分布对误差进行建模,该分布对协方差阵施加Kronecker可分离格式。我们通过块松弛算法获得极大似然估计,并推导出它们的计算复杂度和渐近分布。我们的回归框架使我们能够制定张量变量方差方差分析(TANOVA)方法。这种方法,当应用在一个单向的TAANOVA布局,使我们能够识别大脑区域显着相关的互动的自杀未遂者或非自杀意念者和积极的,消极的或死亡暗示的话在功能磁共振成像研究。另一个应用程序使用三向TAANOVA对野生图像数据集中的标记面部进行分析,以区分与种族起源,年龄组和性别相关的面部特征。
2022-04-11 math.ST physics.data-an stat.CO
Bayesian Tensor Regression for Neuroimaging Data
Sanford Health(桑福德健康);St. Edward’s University(圣爱德华大学);Virginia Commonwealth University(弗吉尼亚联邦大学);Bowling Green State University(鲍灵格林州立大学)
针对神经影像张量响应数据,提出贝叶斯张量包络回归模型,通过识别物质子空间实现降维,结合Gibbs采样算法,提升估计精度并应用于酒精使用与脑活动关联研究。
2026-09-24 stat.CO stat.ME
Neuroimaging Meta Regression for Coordinate Based Meta Analysis Data with a Spatial Model
提出生成式基于坐标的元回归(CBMR)框架,采用样条参数化建模大脑激活空间结构并评估研究级协变量的影响,在20个数据集上验证了其有效性与优越性。
2023-05-15 stat.AP stat.ME
Statistical Inference for High-Dimensional Linear Regression with Blockwise Missing Data
本文针对具有块状缺失协变量和部分观测响应变量的高维线性回归模型,提出基于无偏估计方程和块状插补的高效估计器,并利用创新的投影估计方程技术构建渐近正态的去偏估计器,从而实现有效的置信区间和统计检验,在数值研究和阿尔茨海默病数据分析中优于现有方法。
2023-06-28 math.ST stat.ME stat.ML
Bayesian Non-Central Chi Regression For Neuroimaging
我们提出了一个回归模型的非中心$χ$(NC- $χ$)分布式功能磁共振成像(fMRI)和扩散加权成像(DWI)的数据,异方差Rician回归模型作为一个突出的特殊情况。该模型允许NC- $χ$分布中的两个参数与解释变量相关联,相关协变量通过贝叶斯变量选择自动选择。提出了一种高效的马尔可夫链蒙特卡罗(MCMC)算法,从模型参数的联合贝叶斯后验分布和二元协变量选择指标进行模拟。模拟的fMRI数据被用来证明,Rician模型是能够本地化的大脑活动更准确地比传统上使用的高斯模型在低信噪比。使用来自人类连接组项目的扩散数据集,还表明,与理论上正确的Rician模型相比,常用的近似高斯噪声模型低估了单扩散张量模型中的平均扩散率(MD)和分数各向异性(FA)。
2016-12-21 stat.AP stat.ME
Spatial Bayesian Latent Factor Regression Modeling of Coordinate-based Meta-analysis Data
功能性磁共振成像(fMRI)已经有20多年的历史了,它有大量不断增长的文献,这些文献最好用元分析工具进行综合。由于大多数作者不共享图像数据,因此只有论文中报告的峰值激活坐标(病灶)可用于基于坐标的荟萃分析(CBMA)。神经影像学荟萃分析用于1)识别一致激活的区域; 2)为新研究建立任务类型或认知过程的预测模型(反向推理)。为了同时解决这些目标,我们提出了一个贝叶斯点过程层次模型CBMA。我们从每个研究模型的焦点作为一个重随机泊松过程,研究特定的日志强度函数的特点是作为一个高维基集的线性组合。强度的稀疏表示通过基础系数的潜在因子建模来保证。在我们的框架内,还可以考虑研究水平协变量的影响(荟萃回归),显著扩展了当前可用的神经影像学荟萃分析方法的能力。我们将我们的方法应用于合成数据和神经成像荟萃分析数据集。
2016-06-22 stat.ME
Tensor denoising and completion based on ordinal observations
University of Wisconsin – Madison(威斯康星大学麦迪逊分校)
高阶张量经常出现在神经成像、推荐系统、社会网络分析和心理学研究等应用中。我们考虑从可能不完整的,序值观测的低秩张量估计的问题。研究了两个相关问题,一个是张量去噪,另一个是张量完备化。我们提出了一个多线性累积链接模型,开发了一个秩约束的M-估计,并获得理论上的精度保证。我们的均方误差界比以前的结果具有更快的收敛速度,我们证明了所提出的估计是minimax最优的一类低秩模型。此外,开发的程序作为一个有效的完成方法,保证一致的恢复顺序$K$ $(d,\ldots,d)$维低秩张量只使用$\tilde{\mathcal{O}}(Kd)$噪声,量化的意见。我们证明了我们的方法优于以前的方法的聚类和协同过滤的任务。
2020-12-13 cs.LG math.ST stat.ME
Integrative Factor Regression and Its Inference for Multimodal Data Analysis
多模态数据,即从同一主题收集不同类型的数据,正在迅速出现在各种各样的科学应用中。因子分析是多模态数据综合分析的常用方法,对于克服高维数和高相关性的灾难特别有用。然而,基于因子分析的多模态数据监督建模的统计推断研究却很少。在这篇文章中,我们考虑一个综合的线性回归模型,是建立在潜在的因素提取多模态数据。我们解决了三个重要的问题:如何推断一个数据模态的重要性,给定模型中的其他模态;如何推断一个模态或不同模态的变量组合的重要性;以及如何量化一个数据模态的贡献,通过拟合优度来衡量。在回答每一个问题时,我们都明确地描述了因子分析的好处和额外成本。这些问题,据我们所知,尚未得到解决,尽管广泛使用的因素分析综合多模态分析,我们的建议桥梁的一个重要差距。我们通过模拟研究我们的方法的实证性能,并进一步说明与多模态神经成像分析。
2021-03-30 math.ST stat.ME stat.TH
Inference in high-dimensional logistic regression under tensor network dependence
University of Florida(佛罗里达大学)
本文研究了在个体间依赖由马尔可夫随机场诱导的情况下,高维协变量逻辑回归的统计推断问题,提出了一种能处理更高阶依赖的张量结构框架,并开发了两步方法以获得渐近正态的估计量,用于构建置信区间和假设检验。
2026-03-20 math.ST stat.ME stat.TH
Bayesian Tensor Factorized Vector Autoregressive Models for Inferring Granger Causality Patterns from High-Dimensional Multi-subject Panel Neuroimaging Data
利用非侵入性神经影像技术了解功能性脑连接模式的动态是人类神经科学的一个重要焦点。向量自回归(VAR)过程和格兰杰因果分析(GCA)已被广泛用于这一目的。虽然高分辨率的多学科神经影像学数据是日常收集的一天,VAR模型的统计文献仍然高度集中在小到中等尺寸的问题和单一的主题数据。基于这些问题,我们提出了一种新的贝叶斯随机效应面板VAR模型,用于多主题高维神经影像数据。我们从一个单主体模型开始,将VAR系数构造为三向张量,然后通过应用Tucker张量分解来降低维度。一种新的稀疏诱导收缩先验允许数据自适应秩和滞后选择。然后,我们将该方法扩展到一种新的多学科数据的随机效应模型,该模型小心地避免了维度随着受试者数量的增加而爆炸,但也灵活地适应了特定于受试者的异质性。我们设计了一个用于后验计算的马尔可夫链蒙特卡罗算法。最后,对后验样本进行带有后验错误发现控制的GCA。该方法在仿真实验中表现出了良好的经验性能。应用于我们的激励功能磁共振成像研究,该方法允许人类大脑网络的定向连接进行详细研究,揭示有意义的,但以前未经证实的皮层连接模式。
2022-09-14 stat.AP stat.ME
Parsimonious Tensor Response Regression
针对数据量大、维数高、结构复杂的科学与工程数据,研究了多维数组(张量)响应和向量预测的回归问题。应用包括,除其他外,在调整额外的协变量后,比较各组之间的张量图像,这是神经成像分析的核心兴趣。我们提出了采用广义稀疏性原理的简约张量响应回归。它对张量响应的所有体素联合建模,同时考虑体素之间的固有结构信息。它有效地减少了自由参数的数量,导致可行的计算和改善的解释。我们通过一种称为包络方法的新生技术实现模型估计,该方法识别非物质信息并基于张量响应中的物质信息集中估计。我们证明了所得到的估计是渐近有效的,它享有竞争有限样本性能。我们还说明了两个真正的神经影像学研究的新方法。
2015-01-30 stat.ME
Bayesian tensor regression using the Tucker decomposition for sparse spatial modeling
使用多维数组或张量建模通常会由于高维性而出现问题。此外,这些结构通常表现出固有的稀疏性,需要使用正则化方法来正确表征张量协变量和标量响应之间的关联。我们提出了一种贝叶斯方法,使用Tucker张量分解有效地对具有张量协变量的标量响应进行建模,以保留张量系数内的空间关系,同时减少模型内变化的参数数量并应用正则化方法。模拟数据进行了分析,比较最近提出的方法的模型。一个神经影像学分析使用的数据从阿尔茨海默氏症的数据神经影像学倡议包括说明的好处,模型结构进行推理。
2022-10-07 stat.ME
Cyclic-Shift Sparse Kronecker Tensor Classifier for Signal-Region Detection in Neuroimaging
本研究提出循环移位逻辑SKPD张量分类模型,解决神经影像数据错位问题,兼具可解释性与效率,在公开数据集上分类效果优异且能定位临床相关脑区,为神经影像疾病诊断提供新工具。
2025-05-17 stat.CO stat.ME
ISLET: Fast and Optimal Low-rank Tensor Regression via Importance Sketching
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Columbia University(哥伦比亚大学)
在本文中,我们开发了一种新的程序,即\emph{\underline{I}mportance \underline{S}ketching \underline{L}ow-rank \underline{E}stimation for \underline{T}ensors}(ISLET)的低秩张量回归。ISLET背后的中心思想是\emph{importance sketching},即,基于感兴趣的参数的响应和低维结构精心设计的草图。我们表明,所提出的方法是急剧minimax最优的均方误差低秩Tucker假设下,随机高斯系综设计。此外,如果一个张量是低秩的组稀疏,我们的程序也实现了极大极小最优性。此外,我们通过数值研究表明,ISLET实现可比或更好的均方误差性能,现有的最先进的方法,同时具有大量的存储和运行时的优势,包括并行和分布式计算的能力。特别是,我们的程序进行可靠的估计与张量的尺寸$p = O(10^8)$和$1$或$2$数量级快于基线方法。
2020-05-08 cs.LG cs.NA math.NA
Convex Regularization for High-Dimensional Multi-Response Tensor Regression
在本文中,我们提出了一个通用的凸优化方法来解决高维多响应张量回归问题的低维结构假设。我们考虑使用凸的和弱可分解的正则化假设的基础张量位于一个未知的低维子空间。在我们的框架内,我们得到了一般的风险界的估计相当一般的协变量之间的依赖结构。我们的框架导致两个非常简单的量,张量空间中的凸集的\emph{Gaussian width}和低维张量子空间的\emph{intrinsic dimension}的上界。据我们所知,这是第一个适用于多重响应问题的通用框架。这些一般界限提供了有用的上界收敛速度的基本统计模型的利益,包括多响应回归,向量自回归模型,低秩张量模型和成对相互作用模型。此外,在许多这些设置中,我们证明了由此产生的估计是最小最大最优的。我们还提供了一个数值研究,既验证了我们的理论保证,并证明了我们的框架的广度。
2017-04-13 math.ST stat.TH
Local-Aggregate Modeling for Big-Data via Distributed Optimization: Applications to Neuroimaging
技术进步导致了具有矩阵值协变量的结构化大数据的激增。我们特别致力于基于每个受试者的脑成像扫描为多受试者神经成像数据构建预测模型。这是一个超高维的问题,由每个受试者的协变量矩阵(时间点的大脑位置)组成;目前很少有方法将监督模型直接拟合到这个张量数据。我们提出了一种新的建模和算法策略,应用广义线性模型(GLM),这个庞大的张量数据,其中一组变量与位置。我们的方法首先将GLM分别拟合到每个位置,然后通过正则化将位置之间的信息混合起来,并使用我们称之为聚合惩罚来构建一个集合。我们所谓的,局部聚集模型,可以适合在一个完全分布式的方式在位置上使用交替方向乘法(ADMM)的策略,从而大大减少了计算负担。此外,我们建议通过一系列新的更快的算法解决方案来选择合适的模型,这类似于正则化路径。我们将通过模拟和EEG分类问题展示我们的方法的计算和预测建模优势。
2015-05-14 stat.ME
Bayesian Spatial Binary Regression for Label Fusion in Structural Neuroimaging
阿尔茨海默病是一种神经退行性疾病,相对于正常衰老,它会加速认知能力的下降。更好地了解大脑中的早期疾病机制以促进有效的靶向治疗具有至关重要的科学意义。海马的体积常用于疾病的诊断和监测。通过神经成像测量这个体积是困难的,因为每个海马必须手动识别或自动描绘,这是一项称为分割的任务。自动海马体分割通常涉及将先前手动分割的图像映射到新的大脑图像,并传播标签以获得每个海马体在新图像中的位置的估计。最近解决这个问题的方法是从多个手动分割的图谱中传播标签,并使用称为标签融合的过程将结果组合在一起。迄今为止,大多数标签融合算法采用直接分配或通过优化估计的投票权重的投票过程。我们建议使用一个完全贝叶斯空间回归模型的标签融合,有利于直接纳入协变量的信息,同时访问整个后验分布。我们的研究结果表明,将组织分类(例如,灰质)到标签融合过程中,可以大大提高分割时,相对均匀,健康的大脑被用作患病大脑的图谱。完全贝叶斯方法还产生了关于海马体积的有意义的不确定性测量,这些信息可以用来检测健康人群和患病人群之间的显著的、有科学意义的差异,提高了早期检测和跟踪疾病的可能性。
2022-01-14 stat.AP stat.ME
Tensor Generalized Estimating Equations for Longitudinal Imaging Analysis
在越来越多的神经影像学研究中,已经在多个时间点收集了多个受试者的多维阵列(张量)形式的大脑图像。科学的兴趣是分析这样的大规模和复杂的纵向图像,以诊断神经退行性疾病,并确定疾病相关的大脑区域。在这篇文章中,我们对待这些问题在一个统一的回归框架与图像预测,并提出张量广义估计方程(GEE)的纵向成像分析。GEE方法考虑了响应的受试者内相关性,而系数阵列的低秩张量分解使得能够利用有限的样本量进行有效的估计和预测。我们提出了一个有效的估计算法,研究在固定的$p$和发散$p$制度的渐近性,也调查张量GEE与正则化,是特别有用的区域选择。所提出的张量GEE的功效被证明在模拟数据和来自阿尔茨海默病神经成像倡议(ADNI)的真实数据集上。
2014-12-20 stat.ME
Evaluating the effects of high-throughput structural neuroimaging predictors on whole-brain functional connectome outcomes via network-based vector-on-matrix regression
本研究提出基于网络的向量对矩阵回归模型及新型子图提取方法,利用UK Biobank的4242名参与者数据,揭示了白质微结构完整性等结构影像特征对静息态功能连接子网络的显著影响。
2023-10-27 q-bio.NC q-bio.QM stat.CO
Coupled Support Tensor Machine Classification for Multimodal Neuroimaging Data
多模态数据出现在各种应用中,其中从多个传感器并且跨不同的成像模态获取关于相同现象的信息。从多模态数据中学习是机器学习和统计学研究中的一个热点,因为这提供了在模态之间捕获互补信息的可能性。多模态建模有助于解释异构数据源之间的相互依赖性,发现可能无法从单一模态获得的新见解,并改进决策。最近,耦合矩阵-张量因子分解已被引入多模态数据融合,以联合估计潜在的因素,并确定复杂的潜在因素之间的相互依赖性。然而,大多数关于耦合矩阵-张量因子的先前工作集中在无监督学习上,并且很少有关于使用联合估计的潜在因子的监督学习的工作。本文研究多模态张量数据分类问题。提出了一种基于高级耦合矩阵张量分解(ACMTF)的潜在因子联合估计的耦合支撑张量机(C-STM)。C-STM结合个人和共享的潜在因素与多个内核和估计耦合矩阵张量数据的最大间距分类。C-STM的分类风险收敛到最优的贝叶斯风险,使其成为一个统计上一致的规则。C-STM是通过模拟研究以及同步EEG-fMRI分析验证。实验结果表明,C-STM可以利用多个源的信息,并提供了一个更好的分类性能比传统的单模式分类器。
2022-01-19 cs.LG stat.ME stat.ML
Bayesian Tensor Regression
本文提出了一种贝叶斯回归方法,对向量和张量协变量进行标量响应。张量协变量通常在分析之前被向量化,未能利用张量的结构,导致估计和预测性能差。本文提出了一类新的多元收缩先验,用于张量回归模型的系数。性质进行了描述,包括后验一致性在温和的条件下,和一个有效的马尔可夫链蒙特卡罗算法的后验计算。模拟研究表明,在估计和参数推断方面,向量化或使用现有的张量回归方法有很大的收益。该方法在神经成像应用中进一步说明。保留字:降维;多路收缩优先;磁共振成像; parafac分解;后验一致性;张量回归
2015-09-22 stat.ME
Functional Tensor Regression
本研究针对带平滑变化结构协变量的张量回归问题,提出融合张量与泛函属性的泛函张量回归框架,结合低Tucker秩分解与平滑正则化,开发具二次收敛性的泛函黎曼高斯-牛顿算法,经模拟与神经影像分析验证其有限样本性能。
2025-06-11 stat.ME
Estimating Broad Sense Heritability via Kernel Ridge Regression
针对现有方法多聚焦狭义遗传力估计的问题,本文提出基于核岭回归的广义遗传力估计方法,给出估计量上下界,经模拟及真实数据验证有效,可应用于疾病相关遗传研究。
2024-11-01 stat.ME
Towards the interpretation of time-varying regularization parameters in streaming penalized regression models
高维流数据集在现代应用中无处不在。例子从金融和电子商务到生物医学和神经成像数据的研究。因此,已经提出了许多新的算法来解决这些数据集带来的挑战。在这项工作中,我们专注于使用$\ell_1$正则化线性模型的上下文中(可能是非平稳的)流数据最近,人们已经注意到,正则化参数的选择是基本的,在这样的模型和几种方法已经提出了迭代调整这样的参数在一个~随时间变化的方式,从而允许潜在的稀疏估计模型的变化。此外,在许多应用中,对正则化参数的推断本身可能是感兴趣的,因为这样的参数与模型的底层\textit{sparsity}相关。然而,在这项工作中,我们强调并提供了大量的经验证据,说明数据中的各种(通常不相关的)统计特性如何导致正则化参数的变化。特别是,通过各种合成实验,我们证明了正则化参数的变化可能是由真实的底层稀疏性,信噪比甚至模型误指定的变化所驱动的。因此,这封信的目的是突出和编目各种统计性质,诱导相关的正则化参数的变化。最后,我们提出了两个应用程序:一个涉及金融数据和神经成像数据,在上述讨论是相关的。
2020-09-25 stat.ME
Bayesian Tensor-on-Tensor Regression with Efficient Computation
我们提出了一种贝叶斯张量对张量回归方法来预测一个多维数组(张量)的任意尺寸从另一张量的任意尺寸,建立在塔克分解的回归系数张量。利用Tucker分解的传统张量回归方法要么假设核心张量的维度是已知的,要么通过交叉验证或一些模型选择标准来估计它。然而,没有现有的方法可以同时估计模型维数(核张量的维数)和其他模型参数。为了填补这一空白,我们开发了一个有效的马尔可夫链蒙特卡罗(MCMC)算法来估计模型的维数和参数的后验推理。除了MCMC采样器,我们还开发了一种基于超快速优化的计算算法,其中计算参数的最大后验估计,并通过模拟退火算法优化模型维数。贝叶斯框架为不确定性量化提供了一种自然的方法。通过广泛的模拟研究,我们评估了所提出的贝叶斯张量张量回归模型,并显示其优越的性能相比,替代方法。我们还通过将其应用于两个真实世界的数据集,包括面部成像数据和3D运动数据,证明了它的实际有效性。
2022-10-20 stat.ME
Soft Tensor Regression
在回归模型中,将张量预测因子与标量结果关联的统计方法通常将张量预测因子向量化,并采用某种形式的正则化来估计其条目的系数,使用张量协变量的摘要,或使用系数张量的低维近似。然而,如果真实秩不小,则系数张量的低秩近似可能会受到影响。我们提出了一个张量回归框架,它假设一个软版本的并行因子(PARAFAC)近似。与经典的PARAFAC相比,其中系数张量的每个条目是跨张量模式的行特定贡献的乘积之和,软张量回归(Softer)框架允许行特定贡献围绕整体均值变化。我们遵循贝叶斯推理方法,并表明软化PARAFAC增加模型的灵活性,导致改进的估计系数张量,更准确地识别重要的预测条目,更精确的预测,即使是低近似秩。从理论的角度来看,我们表明,采用软导致一个弱一致的后验分布的系数张量,无论真实或近似张量秩,结果是不正确的,当采用经典的PARAFAC张量回归。在我们的激励应用程序的背景下,我们将Softer适应对称和半对称张量预测器,并分析大脑网络特征与人类特质之间的关系。
2021-07-28 stat.ME
Bayesian Tensor Modeling for Image-based Classification of Alzheimer's Disease
针对现有贝叶斯张量分类方法不足、图像向量化丢失空间结构的问题,提出两种基于数据增强的贝叶斯张量分类方案,搭配高效MCMC算法,在模拟和阿尔茨海默病MRI数据分类任务中准确率均优于传统方法。
2023-12-14 stat.ME
An efficient tensor regression for high-dimensional data
本文提出一种基于修正的张量链分解的高效张量回归方法,可高效处理高阶张量数据,并扩展到张量自回归,通过模拟和实例验证其优势。
2024-03-19 stat.ME
Bayesian Markov Switching Tensor Regression for Time-varying Networks
提出了一种新的二值时间序列多维数组(张量)贝叶斯马尔可夫切换回归模型。我们假设一个零膨胀logit回归与时变参数,并将其应用到多层时间网络。原来的贡献是三重的。首先,为了避免过度拟合,我们提出了一个简约的参数化的基础上的低秩分解的张量的回归系数。其次,我们假设参数是由一个隐藏的马尔可夫链,从而允许在网络拓扑结构的变化。我们遵循贝叶斯推理方法,并提供了一个有效的吉布斯采样后验近似。我们将该方法应用于一个真实的金融网络数据集,研究了几个风险因素对边缘概率的影响。本文的补充材料可在网上查阅。
2019-07-03 stat.ME
Variational Bayesian Logistic Tensor Regression with Application to Image Recognition
本文提出一种变分贝叶斯逻辑张量回归方法,通过张量分解和多向收缩先验处理图像张量预测变量及系数稀疏性,并在模拟与真实图像数据上验证了分类性能。
2025-05-09 stat.ME
Multilinear tensor regression for longitudinal relational data
关系数据的一个基本方面,例如来自社交网络,是关系之间依赖的可能性。特别地,一对节点的成员之间的关系可能对另一对节点的成员之间的关系具有影响。本文开发了一种回归模型来估计纵向和多元关系数据或其他可以用张量形式表示的数据的上下文中的这种影响。该模型是基于一般的多元线性张量回归模型,其特殊情况是张量自回归模型,其中在一个时间点的关系张量从以前的时间点的关系简约回归。这是通过一个可分离的或克罗内克结构的回归参数以及一个可分离的协方差模型来完成的。在纵向多变量关系数据的分析的背景下,它显示了多线性张量回归模型可以表示经常出现在关系和网络数据,如互惠性和传递性的模式。
2015-11-05 stat.ME
Broadcasted Nonparametric Tensor Regression
本文提出广播式非参数张量回归方法,通过将单变量函数分配到张量协变量各条目来建模非线性,并给出惩罚估计算法、收敛性理论及极小极大下界,实验表明其优于现有线性模型。
2024-03-23 stat.ME
Scalable Scalar-on-Image Cortical Surface Regression with a Relaxed-Thresholded Gaussian Process Prior
针对大规模ABCD fMRI数据集分析挑战,提出基于放宽阈值高斯过程先验的可扩展贝叶斯标量-图像回归模型,通过变分近似和Karhunen-Loève展开降低计算成本,在特征选择上引入灵活性,并在模拟和ABCD研究中验证了其高效性与准确性。
2024-03-20 stat.AP stat.ME
A Systematic Bias of Machine Learning Regression Models and Its Correction: an Application to Imaging-based Brain Age Prediction
University of Maryland(马里兰大学);School of Medicine(医学院);Maryland Psychiatric Research Center(马里兰精神病研究中心);The University of Maryland Institute for Health Computing (UM-IHC)(马里兰大学健康计算研究所)
本文揭示机器学习回归模型对极端值预测存在系统性偏差,提出通用约束优化校正方法,并在脑龄预测中验证其有效性,实现无偏预测。
2024-09-04 cs.LG stat.ME stat.ML
Bayesian Nonlinear Tensor Regression with Functional Fused Elastic Net Prior
本文提出非线性贝叶斯张量加性回归模型,并设计函数融合弹性网先验,以同时建模非线性与空间平滑性、检测边界跳跃并识别活跃区域,模拟和人脸数据验证了其灵活性与可解释性。
2023-02-16 stat.ME
Multivariate functional responses low rank regression with an application to brain imaging data
本文提出了一个含有可能的高维功能反应和标量协变量的多元功能反应低秩回归模型。通过在一组筛基上展开斜率函数,将基系数重构为矩阵。为了估计这些系数,我们提出了一个有效的程序,使用核范数正则化。我们还推导出我们的估计误差界,并使用模拟评估我们的方法。我们进一步将我们的方法应用于人类连接组计划神经成像数据,使用各种临床协变量来预测皮质表面运动任务诱发的功能磁共振成像信号,以说明我们的结果的有用性。
2020-10-08 stat.AP stat.ME
Bayesian Dynamic Tensor Regression
张量值数据在经济学中变得越来越可用,这需要合适的计量经济学工具。我们提出了一个新的动态线性模型张量值的响应变量和协变量,包括一些著名的计量经济模型作为特殊情况。我们的贡献是多方面的。首先,我们定义了一个张量自回归过程(ART),研究了它的性质,并导出了相应的脉冲响应函数。其次,我们利用PARAFAC低秩分解提供了一个简约的参数化,并将稀疏效应。我们还有助于张量的推理方法,通过开发一个贝叶斯框架,允许包括额外的样本信息和引入收缩效应。我们将ART模型应用于国际贸易和资本存量的时变多层网络,并研究了冲击在各国之间、随着时间的推移以及各层之间的传播。
2019-07-03 stat.ME
Tensor Stochastic Regression for High-dimensional Time Series via CP Decomposition
本文提出基于CP分解的高维张量随机回归统一框架,支持向量、矩阵与张量响应及预测变量,给出低秩与稀疏低秩估计、非渐近误差界和交替最小化算法,并通过模拟与实际数据验证其优势。
2025-06-07 stat.ME
Bayesian Semiparametric Orthogonal Tucker Factorized Mixed Models for Multi-dimensional Longitudinal Functional Data
University of Florida(佛罗里达大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种贝叶斯半参数正交Tucker分解混合模型,用于分析多维纵向功能数据,通过降维技术和高效后验抽样方法,提升对复杂功能数据的建模能力。
2026-02-12 stat.ME
Network Regression with Graph Laplacians
网络数据在各个研究领域中越来越多地可用,从而激发了对网络群体的统计分析,其中网络作为一个整体被视为一个数据点。由于网络的非欧几里德性质,当人们的目标是将网络作为结果与欧几里德协变量相关联时,标量和矢量数据的基本统计工具不再适用,而研究网络如何依赖于协变量而变化通常是最重要的兴趣。这促使将回归的概念扩展到网络数据响应的情况。在这里,我们建议采用条件Fréchet均值,同时实现全局最小二乘回归和局部加权最小二乘平滑,将Fréchet回归概念扩展到由图拉普拉斯算子量化的网络。挑战在于描述图拉普拉斯算子的空间,从而证明Fréchet回归的应用。这种特征,然后导致相应的M-估计的渐近收敛速度,通过应用经验过程方法。我们证明了所提出的框架的有用性和良好的实际性能与模拟和网络数据所产生的静息态功能磁共振成像神经成像,以及纽约出租车记录。
2022-11-25 stat.ME
Parametric mode regression for bounded responses
我们提出了新的参数框架的回归分析的有界响应的条件模式作为关注点。在两类新的回归模型下,证明了基于极大似然方法的协变量效应估计和预测。我们还开发了图形和数值诊断工具,以检测模型误指定的各种来源。预测的基础上推断使用各种回归模型的不同的集中趋势的措施进行了比较,使用模拟合成数据。最后,我们进行了回归分析的数据从阿尔茨海默氏病神经影像倡议,以证明所提出的方法的实际执行。包含技术细节的补充材料以及其他模拟和数据分析结果可在线获得。
2020-06-19 stat.AP stat.ME stat.OT