Prior elicitation for Bayesian estimation of single-subject connectivity networks
单个受试者连接网络贝叶斯估计中的先验 elicitationAI 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：摘要研究神经影像中的功能连接相关图，未涉及经济主体网络或所列经济金融应用方向。
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
单个受试者连接网络贝叶斯估计中的先验 elicitation
- 研究问题
- 对于单个受试者的静息态 fMRI 数据，如何将专家对相关性水平及变异的认识转化为先验，并估计脑功能连接及其不确定性？
- 方法与思路
- 作者为相关矩阵设计新贝叶斯先验及先验 elicitation 框架，结合高斯似然得到连接权重后验，再利用可信集合识别连接。
- 材料陈述的贡献
- 摘要称方法提供分布形式的连接权重、专家先验带来的正则化和不确定性分析，并报告计算优势及实验中的性能改善。
- 阅读关注点
- 应核对相关矩阵先验的合法性、专家判断到超参数的映射、时间依赖处理，以及连接判定与比较结果对先验选择的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明实验细节，功能相关不能直接解释为因果连接或经济网络效应。
原文摘要
Inference of brain functional connectivity networks from resting-state fMRI data is a key focus in neuroimaging. This paper introduces new Bayesian approaches for inferring a functional connectivity graph from multivariate resting-state fMRI time series of a single subject. Our methods rely on novel Bayesian priors on correlation matrices and a dedicated prior elicitation framework, which translates prior beliefs about the expected level and variability of correlations into interpretable hyperparameter choices, enabling the construction of expert-informed priors. When combined with a Gaussian likelihood, these priors also exhibit computational advantages. Compared to most existing methods for this problem that estimate constant weights, our model provides distributional weights defined by the posterior distributions for the connectivity graph, yielding more robust point estimates through the regularizing effect of expert-informed priors, evaluating uncertainty, and enabling a range of post-inference analyses. In particular, we derive a procedure for identifying significant connectivities based on posterior distributions of weights and credible sets. To the best of our knowledge, only one existing Bayesian functional connectivity model is applicable to single-subject resting-state fMRI data, making our approach a valuable addition to the field and demonstrating superior performance in our experiments.