新方法ODIN精准揪出脑网络异常值，去除后推断结果大变！
Outlier Detection for Multi-Network Data
📖 AI 总结
本文针对多网络数据中的异常检测问题提出了一种新方法。在神经科学研究中，利用神经影像为不同个体构建脑网络已成为常规操作，这些网络通常以邻接矩阵形式表示。然而，部分受试者的影像数据质量较差，导致重建的网络呈现异常模式，如邻接矩阵大部分为零或表现出与正常脑功能不符的怪异结构。这类异常网络会作为强影响点污染后续统计分析，但此前文献中几乎没有针对该问题的系统研究。作者提出了名为ODIN的异常检测方法，基于层次广义线性模型下的影响度量来识别异常网络，并设计了高效的计算算法。通过模拟实验和英国生物银行数据的应用验证，ODIN能够有效识别中度和极端异常值，且移除这些异常值会显著改变下游应用的推断结果。该方法已在Python和R中实现并公开。
🔑 关键词速览
| 多网络数据 | 指多个个体或条件下测量的网络数据，其中节点相同但边不同，常见于神经影像研究。 |
| 邻接矩阵 | 表示网络中节点间连接关系的矩阵，每个元素表示一对节点之间的连接强度或存在性。 |
| 异常值检测 | 识别数据中与其他观测值显著不同的数据点，这些点可能影响统计分析结果。 |
| 分层广义线性模型 | 一种统计模型，用于处理具有层次结构的数据，其中响应变量服从指数族分布，并包含随机效应。 |
| 影响度量 | 用于量化单个数据点对统计模型参数估计或推断影响程度的指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅