基于层次随机图模型的脑网络链路预测.pdf

第33卷第4期
算机应用研究
ol.33 No 4
2016年4月
Application Research of Computers
Apr.2016
基于层次随机图模型的脑网络链路预测
H甜,杨艳丽,郭浩,陈俊杰
(大原理工大学计算机科学与技术学院,太原030024
摘要:针对一般链路预測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冈模型。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
罗算法采样树狀图空间;最后计算脑网络边的平均迮接概率,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較,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,所捉出的算法效果明显,且具有理想的计算复杂度
关键词:脑网络;链路预測;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
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 mode
Tian Tian, Yang Yanli, Guo Hao, Chen Ju
(College of Compter Science Technology, Taiyuan ninety of Techology, Taiyuan030024, in
ffie
igh comple
heral link prediction als
thms a
aplied in
brain networks, Ihis pape r proposed a hierarchical random graph model based on maximum likelihood estimation. Firsly, Lhi
al gorithm used rain networks data to create the hierarchical random graph model. Then, it sampled the space of all possible
dendrogram using an imove Markov chain Monl Carlo al orilhm. Finally, il ealeulalcd the avcragc connetion probabilily
of brain network edges, and it also evaluated by the evaluation index. Experimental results show that the algorithm exhibits
besl resull in brain rework belween dilterenl hierarchical mel works. In addilion i ob lains he wwod ellel and reasonable corn-
puting complexity compared with the traditional algorithms based on similarity
Key words brain nework: link prediction; maximum likclilo estimation; hierarchical random graph model; Markov chain
Monte Carlo agorithm
提出了基」网络拓扑结构的相似性方法?。这类方法主要用
0引言
于貝冇相似性的简单无向?络。常见的局部相似性指标包括
在复杂大脑神经网络中,为了找到脑区之向潜在的关杰ド德系数、共同邻占和景短路径长度等。另外一类链路筑测
系,需要对各脑区节点之间的链路进行顶测。脑络链路方法是基于网络结构的最人似然估计。该算法适加于具有组
测2就是指在已有的脑区关系中寻找未知的链接关系,并通合结构的网络。208年,CLai等人"提出了利加网络具有
过已知的链接去探究未知的信息。此外,对于已知的脑络
明显的层次结构去建立层次随机图模型( hierarchical random
其数据可能模栩不清或者存在混乱。利用铤路预测算法不仪8guph,IHRG)的链路顶测方法。同时, Karel等人川将网络中
可以别已观測釗的链接,同时还可以根据算法结论,对错娱的节点分组建立随机分块模,去预測错決边和缺失边。
然而对」早期的基」穊率棋的链路预测算法,主要用
的链接进行纠正。这对脑?络重组结构优化和演化都有着重大规模数据集网络,它计算复杂度太高及非普道性的参数使よ
要意义
应用范围受到了限制;对于基于节点相似性的算法,只适用于
目前链路预测算法主要分为排于概率模型算法、相似性定具有点相似性的网络,布计算节点相似性的真实网络时效
义算法和最大似然估讣算法三类。毕期链路预测的方法和研率很低;而基于层次随机图的算法,在处理具有组合结构的网
究思路主要是基」概率模型的。这类算法主要应用j机器字络时具有很好的精确度。出于脑劇络是种典型的复杂系统,
习和数据挖掘领域,口适用」大规模数据集的网络。Sak:网络中的连接关系可以看做某种内在层次结构的反映。而建
kai3应用马尔可人链模型(Mao)进行网络的路径分析与链立和表达层次结构技有效、直观的方法就是采用层次随机图
路预測,主要解决方维网Wb服务器的路径导航。此外,描述。基于此,本文选用层次随机图模型米进行病网络的层
O Madadhain等人“利用已知的网络拓扑属性以及节点特性建构建和镒路预测。该方汰首先通过正常人网络的层次结构
立了条件概率模刑来进行链路预测。近几年,Dong等人“8建立层次随机图模型;然后将马尔可夫蒙特卡罗算法2
收稿日期:2014-11-27;修回日期:2015-01-16基金项目:国家自然科学基金资助项月(61170136,61373101,61472270,61402318);太原
理工大学青年基金资助项目(20121014):太原理工大学青年团队启动项目(2013T047)
作者简介:田計(1988-),女,山西州人,硕士,主要研究方向为功能性脑网络(363585954@qq,cum);杨艳丽(1987-),女,山西太原人,将士研
生,主要研究方向为胞认知计算与建模分析;郭浩(1981-),男,山画太原人,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,溥导,主要研究方向为智能信急处理、数挖据