神经影像时间序列中的稀疏加低秩自回归识别
Sparse plus low-rank autoregressive identification in neuroimaging time series
AI总结：
本文提出利用交替方向乘子法解决多变量自回归稀疏加低秩图模型问题，针对神经影像数据规模进行扩展，重点展示低秩结构捕捉时空结构的能力。
摘要：
本文考虑了多变量自回归（AR）稀疏加低秩图模型的识别问题。基于最近提出的问题 formulation，我们使用交替方向乘子法（ADMM）高效求解并扩展到神经影像应用中的规模。我们将这种分解应用于合成和真实神经影像数据集，特别关注模型中低秩结构所编码的信息。特别是，我们展示了该信息捕捉原始数据的时空结构，扩展了经典成分分析方法。
英文摘要：
This paper considers the problem of identifying multivariate autoregressive (AR) sparse plus low-rank graphical models. Based on the corresponding problem formulation recently presented, we use the alternating direction method of multipliers (ADMM) to efficiently solve it and scale it to sizes encountered in neuroimaging applications. We apply this decomposition on synthetic and real neuroimaging datasets with a specific focus on the information encoded in the low-rank structure of our model. In particular, we illustrate that this information captures the spatio-temporal structure of the original data, generalizing classical component analysis approaches.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
