Population analyses of functional connectivity have provided a rich understanding of how brain function differs across time, individual, and cognitive task. An important but challenging task in such population analyses is the identification of reliable features that describe the function of the brain, while accounting for individual heterogeneity. Our work is motivated by two particularly important challenges in this area: first, how can one analyze functional connectivity data over populations of individuals, and second, how can one use these analyses to infer group similarities and differences. Motivated by these challenges, we model population connectivity data as a multilayer network and develop the multi-node2vec algorithm, an efficient and scalable embedding method that automatically learns continuous node feature representations from multilayer networks. We use multi-node2vec to analyze resting state fMRI scans over a group of 74 healthy individuals and 60 patients with schizophrenia. We demonstrate how multilayer network embeddings can be used to visualize, cluster, and classify functional regions of the brain for these individuals. We furthermore compare the multilayer network embeddings of the two groups. We identify significant differences between the groups in the default mode network and salience network—findings that are supported by the triple network model theory of cognitive organization. Our findings reveal that multi-node2vec is a powerful and reliable method for analyzing multilayer networks. Data and publicly available code are available at https://github.com/jdwilson4/multi-node2vec.

中文翻译：

---

通过多层网络嵌入分析人口功能连通性数据

功能连接的人口分析提供了对大脑功能如何随着时间、个体和认知任务而不同的丰富理解。在此类人群分析中，一项重要但具有挑战性的任务是识别描述大脑功能的可靠特征，同时考虑个体异质性。我们的工作受到该领域两个特别重要挑战的推动：首先，如何分析个体群体的功能连接数据，其次，如何使用这些分析来推断群体的相似性和差异。受这些挑战的启发，我们将人口连通性数据建模为多层网络，并开发了 multi-node2vec 算法，一种高效且可扩展的嵌入方法，可自动从多层网络中学习连续节点特征表示。我们使用 multi-node2vec 分析一组 74 名健康人和 60 名精神分裂症患者的静息状态 fMRI 扫描。我们展示了如何使用多层网络嵌入来为这些个体的大脑功能区域进行可视化、聚类和分类。我们进一步比较了两组的多层网络嵌入。我们确定了默认模式网络和显着网络中的组之间的显着差异——这些发现得到了认知组织的三重网络模型理论的支持。我们的研究结果表明，multi-node2vec 是一种强大且可靠的多层网络分析方法。数据和公开可用的代码可在 我们使用 multi-node2vec 分析一组 74 名健康人和 60 名精神分裂症患者的静息状态 fMRI 扫描。我们展示了如何使用多层网络嵌入来为这些个体的大脑功能区域进行可视化、聚类和分类。我们进一步比较了两组的多层网络嵌入。我们确定了默认模式网络和显着网络中的组之间的显着差异——这些发现得到了认知组织的三重网络模型理论的支持。我们的研究结果表明，multi-node2vec 是一种强大且可靠的多层网络分析方法。数据和公开可用的代码可在 我们使用 multi-node2vec 分析一组 74 名健康人和 60 名精神分裂症患者的静息状态 fMRI 扫描。我们展示了如何使用多层网络嵌入来为这些个体的大脑功能区域进行可视化、聚类和分类。我们进一步比较了两组的多层网络嵌入。我们确定了默认模式网络和显着网络中的组之间的显着差异——这些发现得到了认知组织的三重网络模型理论的支持。我们的研究结果表明，multi-node2vec 是一种强大且可靠的多层网络分析方法。数据和公开可用的代码可在 并对这些人的大脑功能区域进行分类。我们进一步比较了两组的多层网络嵌入。我们确定了默认模式网络和显着网络中的组之间的显着差异——这些发现得到了认知组织的三重网络模型理论的支持。我们的研究结果表明，multi-node2vec 是一种强大且可靠的多层网络分析方法。数据和公开可用的代码可在 并对这些人的大脑功能区域进行分类。我们进一步比较了两组的多层网络嵌入。我们确定了默认模式网络和显着网络中的组之间的显着差异——这些发现得到了认知组织的三重网络模型理论的支持。我们的研究结果表明，multi-node2vec 是一种强大且可靠的多层网络分析方法。数据和公开可用的代码可在 我们的研究结果表明，multi-node2vec 是一种强大且可靠的多层网络分析方法。数据和公开可用的代码可在 我们的研究结果表明，multi-node2vec 是一种强大且可靠的多层网络分析方法。数据和公开可用的代码可在https://github.com/jdwilson4/multi-node2vec.