論文の概要: Permutation Inference for Canonical Correlation Analysis

• arxiv url: http://arxiv.org/abs/2002.10046v4
• Date: Thu, 18 Jun 2020 01:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 04:40:55.446381
• Title: Permutation Inference for Canonical Correlation Analysis
• Title（参考訳）: 正準相関解析のための置換推論
• Authors: Anderson M. Winkler, Olivier Renaud, Stephen M. Smith, Thomas E. Nichols
• Abstract要約: 正準相関に対する簡易な置換試験は, 誤差率の増大につながることを示す。 しかし、ニュアンス変数が存在しない場合、CCAの単純な置換テストは、最初の正準相関以外のすべての正準相関に対して過剰な誤差率をもたらす。 ここでは、残余が交換可能性を持つ低次元基底に変換されることが、有効な置換テストの結果であることを示す。
• 参考スコア（独自算出の注目度）: 0.7646713951724012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Canonical correlation analysis (CCA) has become a key tool for population neuroimaging, allowing investigation of associations between many imaging and non-imaging measurements. As other variables are often a source of variability not of direct interest, previous work has used CCA on residuals from a model that removes these effects, then proceeded directly to permutation inference. We show that such a simple permutation test leads to inflated error rates. The reason is that residualisation introduces dependencies among the observations that violate the exchangeability assumption. Even in the absence of nuisance variables, however, a simple permutation test for CCA also leads to excess error rates for all canonical correlations other than the first. The reason is that a simple permutation scheme does not ignore the variability already explained by previous canonical variables. Here we propose solutions for both problems: in the case of nuisance variables, we show that transforming the residuals to a lower dimensional basis where exchangeability holds results in a valid permutation test; for more general cases, with or without nuisance variables, we propose estimating the canonical correlations in a stepwise manner, removing at each iteration the variance already explained, while dealing with different number of variables in both sides. We also discuss how to address the multiplicity of tests, proposing an admissible test that is not conservative, and provide a complete algorithm for permutation inference for CCA.
• Abstract（参考訳）: カノニカル相関分析(CCA)は、多くの画像と非画像計測の関連性を調べるために、人口神経イメージングの鍵となるツールとなっている。 他の変数は直接的興味を持たない変数の源であることが多いため、以前の研究ではこれらの効果を除去するモデルから残留物に対してCAAを使用し、置換推論に直接進行した。 このような単純な置換テストは,誤差率の膨らみをもたらすことを示す。 理由は、残留化が交換可能性の仮定に反する観察の間に依存性をもたらすからである。 しかし、ニュアンス変数がなくても、CCAの単純な置換テストは、最初の正準相関以外のすべての正準相関に対して過剰な誤差率をもたらす。 理由は、単純な置換スキームは、既に以前の標準変数によって説明されている変動性を無視しないからである。 ここでは,両問題に対する解を提案する: ニュアサンス変数の場合, 交換可能性が有効な置換試験を行う低次元基底へ残差を変換すること, より一般的な場合では、ニュアサンス変数の有無に関わらず, 段階的に正準相関を推定すること, それぞれの反復で既に説明されている分散を除去し, 両側の異なる変数を扱うこと。 また、テストの多重性に対処する方法、保守的でない許容可能なテストを提案し、CCAの置換推論のための完全なアルゴリズムを提供する。

関連論文リスト

• Permutation invariant functions: statistical tests, density estimation, and computationally efficient embedding [1.4316259003164373]
  置換不変性は機械学習(ML)における複雑な問題を単純化するために利用される最も一般的な対称性の1つである。 本稿では,これらの問題について,いくつかの基本的な問題について考察する。 i) と (iv) のメソッドはソートトリックに基づいており、 (ii) は平均化トリックに基づいている。
  論文  参考訳（メタデータ） (2024-03-04T01:49:23Z)
• Equivariant Disentangled Transformation for Domain Generalization under Combination Shift [91.38796390449504]
  ドメインとラベルの組み合わせは、トレーニング中に観察されるのではなく、テスト環境に現れる。 我々は、同型の概念、同値性、および整合性の定義に基づく結合シフト問題の一意的な定式化を提供する。
  論文  参考訳（メタデータ） (2022-08-03T12:31:31Z)
• On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
  一般化は、見えないデータを分類するモデルの能力をキャプチャする。 不変性はデータの変換におけるモデル予測の一貫性を測定する。 データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
  論文  参考訳（メタデータ） (2022-07-14T17:08:25Z)
• Sequential Permutation Testing of Random Forest Variable Importance Measures [68.8204255655161]
  そこで本研究では、逐次置換テストと逐次p値推定を用いて、従来の置換テストに関連する高い計算コストを削減することを提案する。 シミュレーション研究の結果、シーケンシャルテストの理論的性質が当てはまることを確認した。 本手法の数値安定性を2つの応用研究で検討した。
  論文  参考訳（メタデータ） (2022-06-02T20:16:50Z)
• E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
  逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。 私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。 統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
  論文  参考訳（メタデータ） (2022-03-07T17:25:02Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• $\ell_0$-based Sparse Canonical Correlation Analysis [7.073210405344709]
  正準相関解析(CCA)モデルは、2つの変数の集合間の関連を研究する上で強力である。 その成功にもかかわらず、CCAモデルは、いずれかのモダリティにおける変数数がサンプル数を超えた場合、壊れる可能性がある。 本稿では,2つのモードのスパース部分集合に基づく相関表現の学習法である $ell_0$-CCA を提案する。
  論文  参考訳（メタデータ） (2020-10-12T11:44:15Z)
• The leave-one-covariate-out conditional randomization test [36.9351790405311]
  条件付き独立テストは重要な問題ですが、仮定なしでは間違いなく難しいです。 Knockoffsは、このフレームワークに関連する一般的な方法論であるが、2つの大きな欠点に悩まされている。 条件付きランダム化テスト(CRT)はモデルXの下では「正しい」解であると考えられているが、通常は計算的に非効率であると見なされる。
  論文  参考訳（メタデータ） (2020-06-15T15:38:24Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)
• Sparse Generalized Canonical Correlation Analysis: Distributed Alternating Iteration based Approach [18.93565942407577]
  Sparse Canonical correlation analysis (CCA) はスパース構造を用いた潜伏情報検出に有用な統計ツールである。 本稿では,多視点データとスパース構造との潜在関係を検出可能な一般標準相関解析(GCCA)を提案する。
  論文  参考訳（メタデータ） (2020-04-23T05:53:48Z)

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。