論文の概要: WISDoM: characterizing neurological timeseries with the Wishart
distribution
- arxiv url: http://arxiv.org/abs/2001.10342v2
- Date: Wed, 30 Sep 2020 14:33:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 02:40:53.659810
- Title: WISDoM: characterizing neurological timeseries with the Wishart
distribution
- Title(参考訳): WISDoM:Wishart分布を伴う神経学的時系列の特徴付け
- Authors: Carlo Mengucci, Daniel Remondini, Gastone Castellani, Enrico Giampieri
- Abstract要約: WISDoMは、実験試料に関連する対称正定値行列の偏差の定量化のための新しい枠組みである。
本手法の適用例を2つの異なるシナリオで示す。
- 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: WISDoM (Wishart Distributed Matrices) is a new framework for the
quantification of deviation of symmetric positive-definite matrices associated
to experimental samples, like covariance or correlation matrices, from expected
ones governed by the Wishart distribution WISDoM can be applied to tasks of
supervised learning, like classification, in particular when such matrices are
generated by data of different dimensionality (e.g. time series with same
number of variables but different time sampling). We show the application of
the method in two different scenarios. The first is the ranking of features
associated to electro encephalogram (EEG) data with a time series design,
providing a theoretically sound approach for this type of studies. The second
is the classification of autistic subjects of the ABIDE study, using brain
connectivity measurements.
- Abstract(参考訳): WISDoM (Wishart Distributed Matrices) is a new framework for the quantification of deviation of symmetric positive-definite matrices associated to experimental samples, like covariance or correlation matrices, from expected ones governed by the Wishart distribution WISDoM can be applied to tasks of supervised learning, like classification, in particular when such matrices are generated by data of different dimensionality (e.g. time series with same number of variables but different time sampling).
本手法の適用例を2つの異なるシナリオで示す。
1つ目は、電子脳波(EEG)データに関連する特徴の時系列設計のランキングであり、このタイプの研究に理論的に健全なアプローチを提供する。
第二は、脳の接続測定を用いて、abide研究の自閉症の主題を分類することである。
関連論文リスト
- Identifying Systems with Symmetries using Equivariant Autoregressive
Reservoir Computers [0.0]
均質な自己回帰型貯水池コンピュータを用いた対称性を持つシステムの同定に焦点をあてる。
構造行列近似理論の一般的な結果が提示され、2倍のアプローチが探求される。
論文 参考訳(メタデータ) (2023-11-16T02:32:26Z) - A Unified Framework to Enforce, Discover, and Promote Symmetry in
Machine Learning [5.582881461692378]
機械学習モデルに対称性を組み込むための統一理論および方法論の枠組みを提供する。
対称性の強制と発見は、リー微分の双線型構造に対して双対である線形代数的タスクであることを示す。
これらのアイデアを、基底関数回帰、動的システム発見、多層パーセプトロン、画像などの空間場に作用するニューラルネットワークなど、幅広い機械学習モデルに適用する方法について説明する。
論文 参考訳(メタデータ) (2023-11-01T01:19:54Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳(メタデータ) (2023-06-27T16:59:06Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳(メタデータ) (2023-03-05T03:54:54Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Modeling Systems with Machine Learning based Differential Equations [0.0]
微分方程式の解として,力学系の時間連続モデルの設計を提案する。
以上の結果から,本手法は合成データや実験データに有用である可能性が示唆された。
論文 参考訳(メタデータ) (2021-09-09T19:10:46Z) - Learning Log-Determinant Divergences for Positive Definite Matrices [47.61701711840848]
本稿では,データ駆動方式で類似度を学習することを提案する。
スカラーアルファとベータによってパラメトリ化されたメタダイバージェンスであるalphabeta-log-detの発散を利用する。
私たちの重要なアイデアは、これらのパラメータを連続体にキャストし、データから学ぶことです。
論文 参考訳(メタデータ) (2021-04-13T19:09:43Z) - Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。
MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。
MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
論文 参考訳(メタデータ) (2021-02-23T05:23:35Z) - ASMFS: Adaptive-Similarity-based Multi-modality Feature Selection for
Classification of Alzheimer's Disease [37.34130395221716]
特徴選択と局所類似性学習を同時に行う新しい多モード特徴選択法を提案する。
本手法の有効性は,アルツハイマー病神経画像イニシアチブデータセットを用いて実験的に検証した。
論文 参考訳(メタデータ) (2020-10-16T06:53:27Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z)
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。