論文の概要: Causal inference of brain connectivity from fMRI with $\psi$-Learning
Incorporated Linear non-Gaussian Acyclic Model ($\psi$-LiNGAM)
- arxiv url: http://arxiv.org/abs/2006.09536v1
- Date: Tue, 16 Jun 2020 21:56:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 19:46:25.738649
- Title: Causal inference of brain connectivity from fMRI with $\psi$-Learning
Incorporated Linear non-Gaussian Acyclic Model ($\psi$-LiNGAM)
- Title（参考訳）: $\psi$-Learning Incorporated Linear non-Gaussian Acyclic Model (\psi$-LiNGAM) を用いたfMRIからの脳結合の因果推論
- Authors: Aiying Zhang, Gemeng Zhang, Biao Cai, Wenxing Hu, Li Xiao, Tony W.
Wilson, Julia M. Stephen, Vince D. Calhoun and Yu-Ping Wang
- Abstract要約: 因果推論を容易にするために,線形非ガウス非巡回モデル(psi$-LiNGAM)を組み込んだ$psi$-learningを提案する。
我々は因果推論を容易にするためにアソシエーションモデル(psi$-learning)を使用し、特に高次元の場合においてうまく機能する。
- 参考スコア（独自算出の注目度）: 27.32225635737671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional connectivity (FC) has become a primary means of understanding
brain functions by identifying brain network interactions and, ultimately, how
those interactions produce cognitions. A popular definition of FC is by
statistical associations between measured brain regions. However, this could be
problematic since the associations can only provide spatial connections but not
causal interactions among regions of interests. Hence, it is necessary to study
their causal relationship. Directed acyclic graph (DAG) models have been
applied in recent FC studies but often encountered problems such as limited
sample sizes and large number of variables (namely high-dimensional problems),
which lead to both computational difficulty and convergence issues. As a
result, the use of DAG models is problematic, where the identification of DAG
models in general is nondeterministic polynomial time hard (NP-hard). To this
end, we propose a $\psi$-learning incorporated linear non-Gaussian acyclic
model ($\psi$-LiNGAM). We use the association model ($\psi$-learning) to
facilitate causal inferences and the model works well especially for
high-dimensional cases. Our simulation results demonstrate that the proposed
method is more robust and accurate than several existing ones in detecting
graph structure and direction. We then applied it to the resting state fMRI
(rsfMRI) data obtained from the publicly available Philadelphia
Neurodevelopmental Cohort (PNC) to study the cognitive variance, which includes
855 individuals aged 8-22 years. Therein, we have identified three types of hub
structure: the in-hub, out-hub and sum-hub, which correspond to the centers of
receiving, sending and relaying information, respectively. We also detected 16
most important pairs of causal flows. Several of the results have been verified
to be biologically significant.
- Abstract（参考訳）: 機能的結合(fc)は、脳ネットワークの相互作用を識別し、最終的にこれらの相互作用がどのように認知を生み出すかを理解するための主要な手段となっている。
FCの一般的な定義は、測定された脳領域間の統計的関連である。
しかし、関連づけは空間的接続のみを提供するが、興味のある領域間の因果的相互作用は提供できないため、これは問題となる可能性がある。
したがって、それらの因果関係を研究する必要がある。
直進非巡回グラフ(DAG)モデルは近年のFC研究で応用されているが、限られたサンプルサイズや多数の変数(高次元問題)といった問題にしばしば遭遇し、計算困難と収束問題の両方を引き起こす。
その結果、DAGモデルの使用は問題であり、一般にDAGモデルの識別は非決定論的多項式時間(NP-hard)である。
この目的のために, 線形非ガウス的非巡回モデル($\psi$-LiNGAM)を提案する。
因果推論を促進するために連想モデル($\psi$-learning)を使用し、特に高次元の場合ではうまく機能します。
シミュレーションの結果,提案手法は既存のグラフ構造や方向を検出する手法よりも頑健で精度が高いことがわかった。
次に,Philphi Neurodevelopmental Cohort (PNC) から得られた静止状態fMRI(rsfMRI)データを用いて,8歳から22歳までの855名の認知的分散について検討した。
そこで我々は,情報受信,送信,中継のセンタに対応する3種類のハブ構造,in-hub,out-hub,sum-hubを特定した。
また、16組の最も重要な因果フローも検出した。
いくつかの結果は生物学的に有意であることが確認されている。
関連論文リスト
- Large-Scale Differentiable Causal Discovery of Factor Graphs [3.8015092217142223]
本稿では,非線形低ランク因果相互作用モデルへの探索空間の方法として,因子指向非巡回グラフ(f-DAG)の概念を導入する。
本稿では,f-DAG制約因果探索のスケーラブルな実装を提案する。
論文 参考訳（メタデータ） (2022-06-15T21:28:36Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳（メタデータ） (2021-06-14T17:52:49Z) - Causal Discovery in Knowledge Graphs by Exploiting Asymmetric Properties
of Non-Gaussian Distributions [3.1981440103815717]
我々は、知識グラフで原因と影響の関係を発見できるハイブリッドアプローチを定義します。
提案手法は, 非ガウスモデルを用いて, 非実験行列の瞬時因果構造を求めることに基づく。
因果発見には2つのアルゴリズム、知識グラフの分解には1つのアルゴリズムを用いる。
論文 参考訳（メタデータ） (2021-06-02T09:33:05Z) - A hierarchical Bayesian model to find brain-behaviour associations in
incomplete data sets [0.0]
グループファクター分析(GFA)は、ベイジアン推論とモダリティ特有の関連をモデル化する階層モデルである。
ヒトコネクトームプロジェクト(HCP)からの脳の接続性および非画像対策からなる合成および実データにGFAを適用しました。
GFAは、基礎となる共有および特定の要因を明らかにし、完全な不完全なデータセットで観測されていないデータモダリティを正しく予測した。
論文 参考訳（メタデータ） (2021-03-11T18:14:11Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳（メタデータ） (2021-01-17T07:48:45Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。