基于层次随机图模型的脑网络链路预测.pdfVIP

收稿日期：２０１４１ １２７；修回日期：２０１５０１１６ 基金项目：国家自然科学基金资助项目（６１ １７０１３６６１４７２２７０；太原 理工大学青年基金资助项目（２０１２Ｌ０１４）；太原理工大学青年团队启动项目（２０１３Ｔ０４７） 作者简介：田甜（１９８８），女，山西忻州人，硕士，主要研究方向为功能性脑网络（３６３５８５９５４＠ｑｑ．ｃｏｍ）；杨艳丽（１９８７），女，山西太原人，博士研 究生，主要研究方向为胞认知计算与建模分析；郭浩（１９８１），男，山西太原人，讲师，博士，主要研究方向为智能信息处理、脑影像学；陈俊杰（１９５６）， 男，河北定州人，教授，博导，主要研究方向为智能信息处理、数据挖掘． 基于层次随机图模型的脑网络链路预测 田 甜，杨艳丽，郭 浩，陈俊杰 （太原理工大学 计算机科学与技术学院，太原 ０３００２４） 摘 要：针对一般链路预测算法在具有层次结构的脑网络中计算效率低且复杂度高的问题，提出了一种基于最 大似然估计的层次随机图模型。该算法首先利用脑网络数据建立层次随机图；然后通过改进的马尔可夫蒙特卡 罗算法采样树状图空间；最后计算脑网络边的平均连接概率，且通过评价指标对算法进行评价。实验结果表明， 利用该算法对脑网络和三种不同的层次结构网络进行链路预测比较，脑网络的预测结果最好。此外，与传统的 基于相似性的算法相比，所提出的算法效果明显，且具有理想的计算复杂度。 关键词：脑网络；链路预测；最大似然估计；层次随机图模型；马尔可夫蒙特卡罗算法 中图分类号：ＴＰ１８３ 文献标志码：Ａ 文章编号：１００１ ３６９５（２０１６）０４ １０６６ ０４ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１ ３６９５．２０１６．０４．０２３ Ｌｉｎｋ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｂｒａｉｎ ｎｅｔｗｏｒｋｓ ｂａｓｅｄ ｏｎ ｈｉｅｒａｒｃｈｉｃａｌ ｒａｎｄｏｍ ｇｒａｐｈ ｍｏｄｅｌ Ｔｉａｎ Ｔｉａｎ，Ｙａｎｇ Ｙａｎｌｉ，Ｇｕｏ Ｈａｏ，Ｃｈｅｎ Ｊｕｎｊｉｅ （Ｃｏｌｌｅｇｅ ｏｆＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ ０３００２４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆｏｃｕｓｉｎｇ ｏｎ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｐｏｏｒ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｈｉｇｈ ｃｏｍｐｌｅｘｉｔｙ ｉｎ ｇｅｎｅｒａｌ ｌｉｎｋ ｐｒｅｄｉｃｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ａｐｐｌｉｅｄ ｉｎ ｂｒａｉｎ ｎｅｔｗｏｒｋｓ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｈｉｅｒａｒｃｈｉｃａｌ ｒａｎｄｏｍ ｇｒａｐｈ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｅｓｔｉｍａｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｕｓｅｄ ｂｒａｉｎ ｎｅｔｗｏｒｋｓ ｄａｔａ ｔｏ ｃｒｅａｔｅ ｔｈｅ ｈｉｅｒａｒｃｈｉｃａｌ ｒａｎｄｏｍ ｇｒａｐｈ ｍｏｄｅｌ．Ｔｈｅｎ，ｉｔ ｓａｍｐｌｅｄ ｔｈｅ ｓｐａｃｅ ｏｆ ａｌｌ ｐｏｓｓｉｂｌｅ ｄｅｎｄｒｏｇｒａｍｓ ｕｓｉｎｇ ａｎ ｉｍｐｒｏｖｅｄ Ｍａｒｋｏｖ ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ａｌｇｏｒｉｔｈｍ．Ｆｉｎａｌｌｙ，ｉｔ ｃａｌｃｕｌａｔｅｄ ｔｈｅ ａｖｅｒａｇｅ ｃｏｎｎｅｃｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｂｒａｉｎ ｎｅｔｗｏｒｋ ｅｄｇｅｓ，ａｎｄ ｉｔ ａｌｓｏ ｅｖａｌｕａｔｅｄ ｂｙ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｉｎｄｅｘ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｅｘｈｉｂｉｔｓ ｂｅｓｔ ｒｅｓｕｌｔ ｉｎ ｂｒａｉｎ ｎｅｔｗｏｒｋ ｂｅｔｗｅｅｎ ｄｉｆｆｅｒｅｎｔ ｈｉｅｒａｒｃｈｉｃａｌ ｎｅｔｗｏｒｋｓ．Ｉｎ ａｄｄｉｔｉｏｎ，ｉｔ ｏｂｔａｉｎｓ ｔｈｅ ｇｏｏｄ ｅｆｆｅｃｔ ａｎｄ ｒｅａｓｏｎａｂｌｅ ｃｏｍ ｐｕｔｉｎｇ ｃｏｍｐｌｅｘｉｔｙ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ａｌｇｏｒｉｔｈｍｓ ｂａｓｅｄ ｏｎ ｓｉｍｉｌａｒｉｔｙ． Ｋｅｙ ｗｏｒｄｓ：ｂｒａｉｎ ｎｅｔｗｏｒｋ；ｌｉｎｋ ｐｒｅｄｉｃｔｉｏｎ；ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｅｓｔｉｍａｔｉｏｎ；ｈｉｅｒａｒｃｈｉｃａｌ ｒａｎｄｏｍ ｇｒａｐｈ ｍｏｄｅｌ；Ｍａｒｋｏｖ ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ ａｌｇｏｒｉｔｈｍ ０ 引言 在复杂大脑神经网络［１］中，为了找到脑区之间潜在的关 系，需要对各脑区节点之间的链路进行预测。脑网络链路预 测［２］就是指在已有的脑区关系中寻找