Bayesian Tensor Regression for Neuroimaging Data
用于神经影像数据的贝叶斯张量回归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：摘要研究神经影像的通用张量回归，未直接涉及经济因子模型或其他所列细分。
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…
用于神经影像数据的贝叶斯张量回归
- 研究问题
- 当脑影像是高维张量响应、解释变量为向量时，如何保留回归相关信息、减少无关变异，并联合处理空间依赖和不确定性？
- 方法与思路
- 作者将贝叶斯包络降维扩展至张量响应，得到 Tucker 分解形式，采用基于 Gibbs 采样的 MCMC，并研究后验一致性。
- 材料陈述的贡献
- 摘要称，有实质降维结构时，模拟中的估计与不确定性量化改善；另以 Human Connectome Project 数据考察饮酒与脑活动关联。
- 阅读关注点
- 应核对信息子空间与空间依赖的设定、先验及维数选择、后验一致性条件、采样诊断，以及模拟改善依赖的降维结构。
- 阅读边界
- 所给材料为 arXiv 预印本，不能确认同行评审或期刊接收。摘要未列出一致性条件或改善数值，饮酒关联不能直接作因果解释。
原文摘要
Multidimensional array data, or tensors, arise naturally in neuroimaging and other high-dimensional applications. We propose a parsimonious Bayesian tensor regression model for studies in which a brain image is the response and predictors are vector-valued covariates. The method extends Bayesian envelope dimension reduction to tensor responses, identifying material subspaces that contain regression information while removing variation that is immaterial to the predictors. This formulation leads naturally to a Tucker tensor decomposition and allows spatial dependence and multiple sources of uncertainty to be modeled jointly. We develop a computationally feasible Markov chain Monte Carlo algorithm based on Gibbs sampling and establish posterior consistency for the proposed model. Simulation studies demonstrate substantial gains in estimation accuracy and uncertainty quantification when meaningful dimension reduction is present. We apply the method to Human Connectome Project neuroimaging data to investigate associations between alcohol use and brain activity. The results illustrate the value of Bayesian tensor envelope regression for inference with high-dimensional, spatially dependent imaging responses.