Temporal Functional Factor Analysis of Brain Connectivity
脑功能连接的时间函数型因子分析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函数型因子分析，不能仅因出现因子与时间依赖就归入宏观或金融因子模型。
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…
脑功能连接的时间函数型因子分析
- 研究问题
- 在功能磁共振脑连接分析中，如何排除短距离空间依赖的干扰、处理巨大协方差矩阵，并利用数据中的时间依赖？
- 方法与思路
- 作者在函数型数据框架内构建因子模型，结合矩阵补全过滤局部空间依赖、分布式矩阵分解和函数型回归刻画时间动态。
- 材料陈述的贡献
- 摘要称这些步骤共同构成可扩展的脑功能连接分析方法，针对传统因子分析的空间噪声、计算规模和时间建模限制。
- 阅读关注点
- 应核对目标子空间与短距离噪声的可分离条件、矩阵补全依据，以及分布式算法和时间回归如何影响估计及解释。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实；摘要未说明识别条件、计算复杂度或验证结果，脑连接分析仍定位为探索性。
原文摘要
Many analyses of functional magnetic resonance imaging (fMRI) examine functional connectivity (FC), or the statistical dependencies among distant brain regions. These analyses are typically exploratory, guiding future confirmatory research. In this work, we present an approach based on factor analysis (FA) that is well-suited to studying FC. FA is appealing in this context because its flexible model assumptions permit a guided investigation of its target subspace consistent with the exploratory role of connectivity analyses. However, applying FA to fMRI data poses three problems: (1) its target subspace captures short-range spatial dependencies that should be treated as noise, (2) it requires factorization of a massive spatial covariance, and (3) it overlooks temporal dependencies in the data. To address these limitations, we develop a factor model within the framework of functional data analysis--a field which views certain data as arising from smooth underlying curves. The proposed approach (1) uses matrix completion techniques to filter short-range spatial dependencies out of its target subspace, (2) employs a distributed algorithm for factorizing large-scale covariance matrices, and (3) leverages functional regression to exploit temporal dynamics. Together, these innovations yield a comprehensive and scalable method for studying FC.