# 图嵌入/梯度/Network Diffusion Model (NDM)

因为这些建模方法的数学原理比较类似，故在此做记录。



**Grajient：** [Margulies et al.](https://pnas.org/doi/full/10.1073/pnas.1608282113) 梯度是近些年热门的方向

**Network Diffusion Model (NDM)：** 发表在Neuron上的原始文章 [Raj et al.](https://linkinghub.elsevier.com/retrieve/pii/S0896627312001353)，学习它是因为看到近期发表在Brain上的文章 [Agosta et al.](https://academic.oup.com/brain/article/148/6/1994/7913445)

后面的探讨基于脑网络，比如梯度一般用来分析fMRI，分析各个node之间相似性的特征（浅薄的理解）。

## 拉普拉斯特征映射（Laplacian Eigenmaps，LE）

实现对高维数据的降维。脑网络是非常高维的（比如n个脑区，对于每个脑区就有n-1个特征来描述这个脑区），LE可以将其降维，比如文献中会展示在Gradient 1和Gradient 2的位置。