Tensor Regression with Applications in Neuroimaging Data Analysis
张量回归及其在神经影像数据分析中的应用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。
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：摘要聚焦神经影像的张量回归，未明确涉及结构估计或其他所列经济计量方向。
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
张量回归及其在神经影像数据分析中的应用
- 研究问题
- 当协变量是具有复杂结构的多维影像数组时，如何利用张量结构缓解超高维问题，使回归估计与预测在计算上可行？
- 方法与思路
- 作者提出利用张量协变量特殊结构的回归模型族，将维度降至可处理规模，并构造快速、可扩展的最大似然估计算法。
- 材料陈述的贡献
- 摘要称，该框架支持有效估计与预测，研究了估计的相关渐近性质，并通过合成数据和真实 MRI 数据展示方法效果。
- 阅读关注点
- 应核对张量结构约束及其识别、降维与参数表达的关系、算法收敛和复杂度，以及渐近性质与影像应用中的比较标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化。摘要未提供具体张量分解、结构约束或数值结果，不能补定其模型形式。
原文摘要
Classical regression methods treat covariates as a vector and estimate a corresponding vector of regression coefficients. Modern applications in medical imaging generate covariates of more complex form such as multidimensional arrays (tensors). Traditional statistical and computational methods are proving insufficient for analysis of these high-throughput data due to their ultrahigh dimensionality as well as complex structure. In this article, we propose a new family of tensor regression models that efficiently exploit the special structure of tensor covariates. Under this framework, ultrahigh dimensionality is reduced to a manageable level, resulting in efficient estimation and prediction. A fast and highly scalable estimation algorithm is proposed for maximum likelihood estimation and its associated asymptotic properties are studied. Effectiveness of the new methods is demonstrated on both synthetic and real MRI imaging data.