编辑推荐：
神经影像数据是否存在高阶交互作用？针对这一问题，研究人员开发了一个用于连续神经影像数据中高阶交互作用的统一理论框架。研究确立了基于因子分解、局部累积量、交互势和最大熵原理的等价定义。研究提出了一种层级结构，用以区分依赖（dependence）、三阶依赖（thi
神经影像数据是否存在高阶交互作用？针对这一问题，研究人员开发了一个用于连续神经影像数据中高阶交互作用的统一理论框架。研究确立了基于因子分解、局部累积量、交互势和最大熵原理的等价定义。研究提出了一种层级结构，用以区分依赖（dependence）、三阶依赖（third-order dependence）和三阶交互作用（third-order interaction）。研究表明，许多流行的高阶连接性度量检测到的是依赖性而非真正的高阶交互作用。目前来自功能磁共振成像（fMRI）、脑电图（EEG）和脑磁图（MEG）的证据支持高阶依赖性的存在，但对于高阶交互作用的存在性仍无定论。
神经影像数据中的高阶交互作用：一个统一的理论框架
一、研究背景与问题提出
根据Hebb的细胞组装假说，学习和记忆由神经元群体的协同放电所促进。为获得该假说的直接实验证据，研究人员曾搜索涉及三个神经元、无法用成对相关性解释的放电序列，并将其与行为反应相关联。后续研究进一步形式化了这一概念，将高阶交互作用定义为：当三个神经元的联合放电分布无法由三个神经元对的边际分布完全确定时，即存在三阶交互作用。该定义在统计学文献中早有采用，并具有优雅的几何解释，此后成为研究神经元放电数据中高阶交互作用的标准定义。
在更广泛的复杂系统研究中，高阶交互作用已成为重要议题，高阶网络表示被越来越多地用于描述无法仅由成对网络自然表示的集体现象。在神经科学领域，高阶交互作用已开始被用于研究神经影像数据，如功能磁共振成像（fMRI）、脑电图（EEG）和脑磁图（MEG）。为此，研究者提出了多种依赖（即功能连接）度量方法，涵盖信息论方法（如神经复杂度、总相关、O信息、S信息、交互信息）、基于矩的方法（如边连接度、高阶联合累积量、地形网络相似性、超相干指标）以及其他基于概率分布因子分解性质或回归公式的方法。然而，“高阶交互作用”一词在这些研究中使用不一致，常缺乏正式定义。因此，尚不清楚这些度量检测到的是何种统计依赖性，以及它们是否对高阶交互作用具有特异性。
为厘清高阶交互作用与高阶依赖性的区别，研究以一个包含三个脑区的简单系统为例进行说明。若三个区域相互独立，则分别观测各区域即可重建联合分布；若不存在这种独立子系统的划分，则系统表现出三阶依赖性。然而，若联合分布能完全由三个两两分布确定，则这种三向依赖性仍可归因于成对交互作用。仅当完全掌握所有成对分布仍不足以刻画联合分布时，才存在真正的三阶交互作用。因此，三阶依赖性涉及所有三个变量，而三阶交互作用包含不存在于任何成对观测集合中的统计信息。
神经影像数据与放电数据不同，其为连续值而非二值。对于二值数据，存在若干等价的高阶交互作用定义，强调其不同方面。研究回顾了这些定义并证明其可推广至连续变量，从而适用于神经影像数据。具体而言，研究从（i）联合概率分布的因子分解性质、（ii）局部累积量、（iii）交互势和（iv）最大熵分布四个方面刻画高阶交互作用，并证明这些定义等价，从而为连续数据定义了唯一的高阶交互作用概念。
二、研究内容与主要结论
研究在三维概率分布集合上引入了一个层级结构，定义了三个嵌套类别以对应不同形式的统计依赖，并据此对上述三变量依赖度量进行分类。该层级基于分布的因子分解性质：最宽松的类别包含所有不完全因子分解的分布，捕捉最一般的统计依赖形式；第二类包含不在任何变量划分上因子分解的分布，对应没有任何变量独立于其余两个变量的情况；最严格的类别包含不在可能重叠的变量子集上因子分解的分布，即存在三阶交互作用。研究将第二类分布称为表现出“三阶依赖性”，三阶交互作用是三阶依赖性的一种特殊形式。例如，具有非零偏相关的高斯分布表现出三阶依赖性但不具有三阶交互作用。对于双变量分布，这两个概念重合。
不同形式的统计依赖引出了对三变量依赖度量的相应分类，涉及敏感性和特异性两个层面。敏感性指度量对特定类型依赖的响应能力，特异性指当该依赖不存在时度量是否消失。研究主要关注特异性，因为只有特异性度量才能从非零值推断相应类型依赖的存在。缺乏特异性并不意味缺乏敏感性。由此产生三类三变量依赖度量：三阶交互作用度量、三阶依赖性度量和更一般的三变量依赖度量。三阶交互作用度量是三阶依赖性度量的子类。研究将确定神经影像学中当前使用的三变量依赖度量的类型。
三、关键技术方法
研究为开展分析，主要采用了以下关键技术方法：其一，基于因子分解性质定义高阶交互作用，即检验联合分布是否可分解为边际分布的乘积；其二，利用局部累积量（cumulants）刻画高阶统计结构，特别是三阶联合累积量；其三，引入交互势（interaction potentials）概念，源自信息几何框架，用于表示分布中的高阶项；其四，运用最大熵（maximum-entropy）原理，将高阶交互作用定义为在给定低阶边际约束下无法由最大熵分布复现的统计结构。研究通过多种模型系统（如椭圆分布、copula和指数族分布）验证了这些定义的等价性。
四、研究结果
4.1 高阶交互作用的等价定义：研究证明，对于连续数据，基于因子分解、局部累积量、交互势和最大熵分布的四种高阶交互作用定义是等价的，从而建立了唯一且严谨的数学基础。
4.2 依赖层级结构：研究提出了三阶依赖性（third-order dependence）与三阶交互作用（third-order interaction）的区分，前者指涉及所有变量但可由成对分布解释的依赖，后者指无法由任何成对观测解释的统计信息。高斯分布具有非零偏相关时仅表现出三阶依赖性。
4.3 度量分类结果：研究对神经影像学中常用的三变量依赖度量进行了分类，发现许多流行的高阶连接性度量（如O信息、S信息、部分高阶累积量等）检测到的是依赖性而非真正的高阶交互作用，即它们缺乏对高阶交互作用的特异性。
4.4 实证证据评估：研究评估了当前来自fMRI、EEG和MEG的证据，结论支持高阶依赖性的存在，但对于高阶交互作用的存在性仍无定论。
五、讨论与结论
讨论部分指出，区分高阶依赖性与高阶交互作用对于神经影像研究至关重要，因为二者具有不同的神经生物学解释。许多现有度量虽被冠以“高阶交互作用”之名，实则检测的是更一般的依赖性，这可能混淆对神经机制的理解。研究强调，只有特异性度量才能从非零值可靠推断高阶交互作用的存在。
研究结论部分翻译如下：研究为连续神经影像数据中的高阶交互作用建立了统一的理论框架，确立了基于因子分解、局部累积量、交互势和最大熵原理的等价定义，并提出了区分依赖性、三阶依赖性和三阶交互作用的层级结构。研究表明，许多流行的高阶连接性度量检测到的是依赖性而非真正的高阶交互作用。当前来自fMRI、EEG和MEG的证据支持高阶依赖性的存在，但对于高阶交互作用的存在性仍无定论。
