Inference for Heterogeneous Graphical Models using Doubly High-Dimensional Linear-Mixed Models
双重高维线性混合模型下异质图模型的推断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：摘要以多受试者功能磁共振数据推断总体功能连接网络结构为核心，属于网络与干扰方向；其余细分领域在摘要中缺乏直接文本依据。
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
双重高维线性混合模型下异质图模型的推断
- 研究问题
- 如何从多受试者功能磁共振成像数据中，在存在跨层异质性的情况下，对总体层面的功能连接网络结构做有效推断。
- 方法与思路
- 作者提出基于邻域的方法学习图结构，并把问题重述为双重高维线性混合模型中固定效应参数的推断，进而提出基于 LASSO 的估计量与去偏 LASSO 推断框架。
- 材料陈述的贡献
- 摘要称该框架为高维图模型提供了考虑跨层异质性的有效推断方法，并用基准模拟评估表现，还用于描述性比较人类连接组计划中两个预设受试者组的功能连接网络图结构。
- 阅读关注点
- 应核对跨层异质性的具体建模方式、双重高维的含义与渐近条件、去偏 LASSO 的推断有效性假设，以及模拟设计与实际数据比较是否支持描述性结论。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、模拟表现与实证结论的稳健性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Inferring the structure of population-level functional connectivity networks from multi-subject functional magnetic resonance imaging data is essential for understanding the connectivity patterns underlying cognitive and behavioral functions. Graphical models provide a formal statistical framework for inferring the graph structure. However, the multi-level nature of functional magnetic resonance imaging data---where each level corresponds, for instance, to a subject---compromises the inferential validity of most existing methods. In this paper, we develop a valid inference framework for high-dimensional graphical models that accounts for cross-level heterogeneity. We introduce a neighborhood-based method to learn the graph structure and reframe the problem as that of inferring fixed effect parameters in a doubly high-dimensional linear mixed model. We then propose a LASSO-based estimator and a de-biased LASSO-based inference framework for these fixed effect parameters. We evaluate the performance of the proposed framework using benchmark simulation studies and apply it to descriptively compare graph structures between the functional connectivity networks of two predefined groups of subjects from the Human Connectome Project.