확률적 그래프 열 모델링(Stochastic Graph Heat Modelling)을 이용한 연결성 추정

많은 실제 데이터셋의 기초가 되는 공간 구조(spatial structures)를 활용하는 기술이 점점 늘어나고 있습니다. 이러한 발전에도 불구하고, 공간 구조를 추정하고 이러한 기술 내에서 그 역할을 이해하는 상호 보완적인 작업은 종종 간과되어 왔습니다. 특히 신경생리학적 데이터 분석(neurophysiological data analysis) 분야에는 뇌 연결성(brain connectivity)을 추정하기 위한 수많은 방법이 존재하지만, 대부분은 명시적인 모델 기반(model-based), 동적(dynamic), 다변량(multivariate) 또는 방향성(directed)을 갖추고 있지 않습니다. 이러한 한계를 해결하기 위해, 우리는 이전에 신경생리학적 연결성 추정을 위한 그래프 상의 노이즈 구동 열 모델링(noise-driven heat modelling on graphs)을 소개한 바 있습니다. 본 연구에서는 이전의 노이즈 가정을 완화하고 강건성(robustness)을 향상시키기 위해 정규화(regularisation)를 추가함으로써 이 프레임워크를 확장합니다. 또한 통제된 환경에서 우리의 기술을 특성화하고 평가하기 위한 시뮬레이션 절차를 개발합니다. 마지막으로, 우리는 두 개의 실제 데이터셋을 각각 사용하는 두 번의 실험을 통해 이 기술이 의미 있는 공간 구조를 포착할 수 있음을 입증합니다. 우리의 연결성 추정기(connectivity estimator)가 가진 명시적인 모델 공식화(explicit model formulation)는 광범위한 응용 분야에서 그래프 기반 기술의 해석 가능성(interpretability)을 향상시킬 잠재력을 가지고 있습니다. 우리 방법을 구현한 코드는 https://github.com/sgoerttler/Heat_Connectivity 에서 확인할 수 있습니다.