論文の概要: Statistical Agnostic Mapping: a Framework in Neuroimaging based on
Concentration Inequalities
- arxiv url: http://arxiv.org/abs/1912.12274v1
- Date: Fri, 27 Dec 2019 18:27:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 23:18:31.029640
- Title: Statistical Agnostic Mapping: a Framework in Neuroimaging based on
Concentration Inequalities
- Title（参考訳）: 統計的アグノスティックマッピング:濃度不等式に基づくニューロイメージングの枠組み
- Authors: J M Gorriz, SiPBA Group, and CAM neuroscience
- Abstract要約: ボクセルやマルチボクセルレベルでの統計アグノスティック(非パラメトリック)マッピングを導出する。
集中不平等に基づくニューロイメージングの新しい枠組みを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the 70s a novel branch of statistics emerged focusing its effort in
selecting a function in the pattern recognition problem, which fulfils a
definite relationship between the quality of the approximation and its
complexity. These data-driven approaches are mainly devoted to problems of
estimating dependencies with limited sample sizes and comprise all the
empirical out-of sample generalization approaches, e.g. cross validation (CV)
approaches. Although the latter are \emph{not designed for testing competing
hypothesis or comparing different models} in neuroimaging, there are a number
of theoretical developments within this theory which could be employed to
derive a Statistical Agnostic (non-parametric) Mapping (SAM) at voxel or
multi-voxel level. Moreover, SAMs could relieve i) the problem of instability
in limited sample sizes when estimating the actual risk via the CV approaches,
e.g. large error bars, and provide ii) an alternative way of Family-wise-error
(FWE) corrected p-value maps in inferential statistics for hypothesis testing.
In this sense, we propose a novel framework in neuroimaging based on
concentration inequalities, which results in (i) a rigorous development for
model validation with a small sample/dimension ratio, and (ii) a
less-conservative procedure than FWE p-value correction, to determine the brain
significance maps from the inferences made using small upper bounds of the
actual risk.
- Abstract（参考訳）: 70年代、パターン認識問題における関数の選択に焦点をあてた新しい統計学の分野が出現し、近似の質と複雑性の明確な関係が実現された。
これらのデータ駆動型アプローチは主に、限られたサンプルサイズで依存関係を推定する問題に主眼を置いており、例えば、クロスバリデーション(CV)アプローチのような経験的なサンプル一般化アプローチを構成する。
後者は、ニューロイメージングにおいて競合仮説のテストや異なるモデルの比較のために設計された 'emph{not' であるが、この理論には、ボクセルやマルチボクセルレベルでの統計アグノスティック(非パラメトリック)マッピング(SAM)の導出に使用できる多くの理論的展開がある。
さらにSAMsは緩和できる
一 CVアプローチ、例えば大型エラーバーを介して実際のリスクを見積もる場合の限られたサンプルサイズにおける不安定性の問題及び提供
ii) 仮説検定のための推論統計学におけるファミリーワイズエラー (fwe) 補正p値写像の代替方法
この意味で,集中不平等に基づくニューロイメージングの新しい枠組みを提案する。
(i)試料/次元比の小さいモデル検証のための厳密な開発、
(i)FWE p値補正よりも保存的でない手順で、実際のリスクの小さな上限を用いた推論から脳の重要度マップを決定する。
関連論文リスト
- Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。
我々は多種多様な高次元データにまたがって理論を検証する。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - Model Free Prediction with Uncertainty Assessment [7.524024486998338]
そこで本研究では,深部推定パラダイムを条件付き平均推定を行うプラットフォームに変換する新しいフレームワークを提案する。
本研究では, 条件付き拡散モデルに対する終端収束率を開発し, 生成した試料の正規性を確立する。
数値実験により,提案手法の有効性を実証的に検証した。
論文 参考訳（メタデータ） (2024-05-21T11:19:50Z) - Scalable Bayesian inference for the generalized linear mixed model [2.45365913654612]
本稿では,AIとベイズ推論の交点に統計的推論アルゴリズムを導入する。
我々のアルゴリズムは、相関データの処理に対処する新しい貢献を伴う勾配MCMCの拡張である。
我々はこのアルゴリズムを大規模な電子健康記録データベースに適用する。
論文 参考訳（メタデータ） (2024-03-05T14:35:34Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Pseudo value-based Deep Neural Networks for Multi-state Survival
Analysis [9.659041001051415]
本稿では,多状態生存分析のための擬似値に基づくディープラーニングモデルを提案する。
提案するモデルでは,様々な検閲条件下で最先端の結果が得られた。
論文 参考訳（メタデータ） (2022-07-12T03:58:05Z) - Mitigating multiple descents: A model-agnostic framework for risk
monotonization [84.6382406922369]
クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。
本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
論文 参考訳（メタデータ） (2022-05-25T17:41:40Z) - Causality and Generalizability: Identifiability and Learning Methods [0.0]
この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。
本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。
本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
論文 参考訳（メタデータ） (2021-10-04T13:12:11Z) - Deep Learning in current Neuroimaging: a multivariate approach with
power and type I error control but arguable generalization ability [0.158310730488265]
ディープラーニングアーキテクチャを用いた分類の統計的意義を推定する非パラメトリックフレームワークを提案する。
ラベル置換試験は, クロスバリデーション (CV) と上界補正 (RUB) を併用した再置換を検証法として提案した。
我々は, CV法とRUB法が有意レベルに近い偽陽性率と許容可能な統計的力を提供することを置換試験で発見した。
論文 参考訳（メタデータ） (2021-03-30T21:15:39Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。