This article focuses on the problem of predicting a response variable based on a network-valued predictor. Our particular motivation is developing interpretable and accurate predictive models for cognitive traits and neuro-psychiatric disorders based on an individual's brain connection network (connectome). Current methods focus on reducing the complex and high-dimensional brain network into a low-dimensional set of pre-specified features prior to applying standard predictive algorithms. Such methods are sensitive to feature choice and inevitably discard information. We instead propose a nonparametric Bayes class of models that utilize information from the entire adjacency matrix defining connections among brain regions in adaptively defining flexible predictive algorithms, while maintaining interpretability. The proposed Bayesian Connectomics (BaCon) model class utilizes Poisson-Dirichlet processes to detect a lower-dimensional, bidirectional (covariate, subject) pattern in the adjacency matrix. The small n, large p problem is transformed into a "small n, small q" problem, facilitating an effective stochastic search of the predictors. A spike-and-slab prior for the cluster predictors strikes a balance between regression model parsimony and flexibility, resulting in improved inferences and test case predictions. We describe basic properties of the BaCon model class and develop efficient algorithms for posterior computation. The resulting methods are shown to outperform existing approaches in simulations and applied to a creative reasoning data set.


翻译:本文侧重于基于网络价值预测器预测响应变量的预测问题。 我们的特殊动机是在个人大脑连接网络(连接网)的基础上,为认知特征和神经精神紊乱开发可解释和准确预测的模型。 目前的方法重点是在应用标准预测算法之前,将复杂和高维的大脑网络缩小为一套低维的预设特征。 这种方法对选择和不可避免地丢弃信息具有敏感性。 我们建议采用非对称的Bayes类模型,利用来自整个相邻矩阵的信息,确定脑区域在适应性界定灵活预测算法方面的连接,同时保持可解释性。 拟议的Bayesian Connectomic(Bacon)模型(Bacon)类模型利用Poisson-Drichlet进程在应用标准预测算法之前,将复杂和高空的大脑(Cobisson,subilate,subject) 模式模式和逻辑分析模型分析模型分析结果分析模型分析模型分析模型分析结果之间, 分析结果分析模型分析结果分析模型分析模型分析结果, 分析模型分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果分析结果。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【论文】结构GANs,Structured GANs,
专知会员服务
14+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
4+阅读 · 2018年1月15日
Arxiv
23+阅读 · 2017年3月9日
VIP会员
相关VIP内容
专知会员服务
50+阅读 · 2020年12月14日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【论文】结构GANs,Structured GANs,
专知会员服务
14+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员