論文の概要: Supervised Hyperalignment for multi-subject fMRI data alignment

• arxiv url: http://arxiv.org/abs/2001.02894v1
• Date: Thu, 9 Jan 2020 09:17:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 04:40:04.087691
• Title: Supervised Hyperalignment for multi-subject fMRI data alignment
• Title（参考訳）: マルチオブジェクトfMRIデータアライメントのための教師付きハイパーアライメント
• Authors: Muhammad Yousefnezhad, Alessandro Selvitella, Liangxiu Han, Daoqiang Zhang
• Abstract要約: 本稿では,MVP解析における機能的アライメントを改善するために,SHA(Supervised Hyperalignment)手法を提案する。 マルチオブジェクトデータセットの実験では、SHA法は最大19%の性能がマルチクラス問題に対して達成されている。
• 参考スコア（独自算出の注目度）: 81.8694682249097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperalignment has been widely employed in Multivariate Pattern (MVP) analysis to discover the cognitive states in the human brains based on multi-subject functional Magnetic Resonance Imaging (fMRI) datasets. Most of the existing HA methods utilized unsupervised approaches, where they only maximized the correlation between the voxels with the same position in the time series. However, these unsupervised solutions may not be optimum for handling the functional alignment in the supervised MVP problems. This paper proposes a Supervised Hyperalignment (SHA) method to ensure better functional alignment for MVP analysis, where the proposed method provides a supervised shared space that can maximize the correlation among the stimuli belonging to the same category and minimize the correlation between distinct categories of stimuli. Further, SHA employs a generalized optimization solution, which generates the shared space and calculates the mapped features in a single iteration, hence with optimum time and space complexities for large datasets. Experiments on multi-subject datasets demonstrate that SHA method achieves up to 19% better performance for multi-class problems over the state-of-the-art HA algorithms.
• Abstract（参考訳）: 多変量パターン(mvp)分析において、多変量関数型磁気共鳴画像(fmri)データセットに基づく脳の認知状態の発見に多用されている。 既存のHA法の多くは教師なしの手法を使用しており、時系列において同じ位置のボクセル間の相関を最大化していた。 しかし、これらの教師なしソリューションは、監督されたMVP問題の機能的アライメントを扱うのに最適ではないかもしれない。 本稿では,MVP分析における機能的アライメントを改善するために,SHA法を提案する。提案手法は,同一カテゴリに属する刺激間の相関を最大化し,異なる刺激のカテゴリ間の相関を最小化できる教師付き共有空間を提供する。 さらにshaは、共有スペースを生成し、単一のイテレーションでマップされた特徴を計算し、大きなデータセットの最適な時間と空間の複雑さを持つ、一般化された最適化ソリューションを採用している。 マルチオブジェクトデータセットの実験では、SHA法は最先端HAアルゴリズムよりも最大19%高い性能を達成している。

関連論文リスト

• Generative Subspace Adversarial Active Learning for Outlier Detection in Multiple Views of High-dimensional Data [3.501071975888134]
  本稿では,高次元データにおける外乱検出のためのGSAAL(Generative Subspace Adversarial Active Learning)を提案する。 GSAALは、不適切な仮定(IA)、次元の呪い(CD)、多視点(MV)を扱いながら、MV制限に対処するように設計されている。 実験では,GSAALの有効性とスケーラビリティを実証し,他のOD法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-20T19:22:05Z)
• Mitigating the Alignment Tax of RLHF [76.4300447532456]
  強化学習(Reinforcement Learning)とヒューマンフィードバック(Human Feedback)の下のLLMの調整は、事前訓練された能力(アライメント税(アライメント税)としても知られる)を忘れてしまう可能性がある。 最小アライメント税を課しながらアライメント性能を最大化するためのモデル平均化を提案する。 我々は,OpenLLaMA-3B上でのRLHFアルゴリズムによるHMAの性能評価を行い,さらにMistral-7Bまで拡張した。
  論文  参考訳（メタデータ） (2023-09-12T14:16:54Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Multiple-shooting adjoint method for whole-brain dynamic causal modeling [8.943170877509923]
  機能的MRI(fMRI)における全脳機能解析などの大規模システムに適したマルチショットアジョイント(MSA) MSAはEMよりもパラメータ値推定の精度が高い。 本研究では,自閉症スペクトラム障害(ASD)と制御の分類を機能的コネクトームと比較し改善した。
  論文  参考訳（メタデータ） (2021-02-14T05:00:12Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• A Coupled Manifold Optimization Framework to Jointly Model the Functional Connectomics and Behavioral Data Spaces [5.382679710017696]
  本稿では,コホートに共通する低次元行列多様体にfMRIデータを投影する結合多様体最適化フレームワークを提案する。 患者固有の負荷は、同時に第2の非線形多様体を介して、興味の行動尺度にマップされる。 自閉症スペクトラム障害58例の安静時fMRIの枠組みを検証した。
  論文  参考訳（メタデータ） (2020-07-03T20:12:51Z)

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。