Nonparametric Group Variable Selection with Multivariate Response for Connectome-Based Modeling of Cognitive Scores
用于脑连接组认知评分建模的多元响应非参数组变量选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及脑网络回归和一般因子建模，未提供经济网络干扰、宏观因子或金融因子研究的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于脑连接组认知评分建模的多元响应非参数组变量选择
- 研究问题
- 如何用脑区域的多种网络节点属性解释多个认知评分，并同时选择重要脑区域、节点属性及刻画评分之间的依赖关系？
- 方法与思路
- 作者采用带组稀疏先验的高斯径向基函数网络拟合多响应非参数均值函数，以线性因子模型描述响应协方差，并开发 MCMC 算法。
- 材料陈述的贡献
- 摘要称方法在所设比较中表现优于竞争方法，并在 HCP 数据中识别重要脑区域和节点属性，以及认知评分的低维依赖结构。
- 阅读关注点
- 应核对组稀疏先验与变量选择规则、因子协方差设定、MCMC 收敛诊断，以及竞争方法、预测评估和选择稳定性的比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未给出比较指标和具体结果，脑连接与认知评分的关联也不能直接解释为因果关系。
原文摘要
In this article, we study association between the structural connectome and cognitive profiles using a multi-response nonparametric regression model.The cognitive profiles are measured in terms of seven age-adjusted cognitive test scores. The structural connectomes are represented by undirected graphs. The connectivity properties of these graphs are available in terms of the nodal attributes. A collection of nodal centralities together can encode different patterns of connections in the brain network. In this article, we consider nine such attributes for each brain region.These nodal graph metrics may naturally be grouped together for each node, motivating us to introduce group sparsity for feature selection. We propose Gaussian RBF-nets with a novel group sparsity inducing prior to model the unknown mean functions. The covariance structure of the multivariate response is characterized in terms of a linear factor modeling framework. For posterior computation, we develop an efficient Markov chain Monte Carlo sampling algorithm. We show that the proposed method performs much better than all its competitors. Applying our proposed method to a Human Connectome Project (HCP) dataset, we identify the important brain regions and nodal attributes for cognitive functioning, as well as identify interesting low-dimensional dependency structures among the cognition related test scores. Keywords: Factor model; Group variable selection; High-dimension; Human Connectome Project (HCP); Markov chain Monte Carlo (MCMC); Neural network; Nonparametric inference; Radial basis network; Spike-and-slab prior; Variable selection.