論文の概要: Weighted Ensemble-model and Network Analysis: A method to predict fluid
intelligence via naturalistic functional connectivity
- arxiv url: http://arxiv.org/abs/2101.01973v1
- Date: Wed, 6 Jan 2021 11:17:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 05:17:36.004548
- Title: Weighted Ensemble-model and Network Analysis: A method to predict fluid
intelligence via naturalistic functional connectivity
- Title（参考訳）: 重み付きアンサンブルモデルとネットワーク解析:自然機能接続による流体インテリジェンス予測法
- Authors: Xiaobo Liu, Su Yang
- Abstract要約: 重み付きアンサンブルモデルとネットワーク解析という新しい手法を提案する。
機械学習とグラフ理論を組み合わせて、流体知能の予測を改善する。
提案手法は平均絶対偏差 3.85,相関係数 0.66,r-二乗係数 0.42 で最適性能を得た。
- 参考スコア（独自算出の注目度）: 2.66512000865131
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objectives: Functional connectivity triggered by naturalistic stimulus (e.g.,
movies) and machine learning techniques provide a great insight in exploring
the brain functions such as fluid intelligence. However, functional
connectivity are considered to be multi-layered, while traditional machine
learning based on individual models not only are limited in performance, but
also fail to extract multi-dimensional and multi-layered information from brain
network. Methods: In this study, inspired by multi-layer brain network
structure, we propose a new method namely Weighted Ensemble-model and Network
Analysis, which combines the machine learning and graph theory for improved
fluid intelligence prediction. Firstly, functional connectivity analysis and
graphical theory were jointly employed. The functional connectivity and
graphical indices computed using the preprocessed fMRI data were then all fed
into auto-encoder parallelly for feature extraction to predict the fluid
intelligence. In order to improve the performance, tree regression and ridge
regression model were automatically stacked and fused with weighted values.
Finally, layers of auto-encoder were visualized to better illustrate the
connectome patterns, followed by the evaluation of the performance to justify
the mechanism of brain functions. Results: Our proposed methods achieved best
performance with 3.85 mean absolute deviation, 0.66 correlation coefficient and
0.42 R-squared coefficient, outperformed other state-of-the-art methods. It is
also worth noting that, the optimization of the biological pattern extraction
was automated though the auto-encoder algorithm. Conclusion: The proposed
method not only outperforming the state-of-the-art reports, but also able to
effectively capturing the biological patterns from functional connectivity
during naturalistic movies state for potential clinical explorations.
- Abstract（参考訳）: 目的: 自然主義的刺激(映画など)と機械学習技術によって引き起こされる機能的接続は、流体知能などの脳機能を探究する上で大きな洞察を与える。
しかし、機能的接続は多層化されていると考えられており、個々のモデルに基づく従来の機械学習は性能に限界があるだけでなく、脳ネットワークから多次元および多層情報を取り出すことができない。
方法: 本研究は多層脳ネットワーク構造に着想を得て, 機械学習とグラフ理論を組み合わせた重み付きアンサンブルモデルとネットワーク解析という新しい手法を提案する。
まず,機能的接続解析とグラフィカル理論を併用した。
予備処理したfMRIデータを用いて計算した機能接続とグラフィカルな指標を全てオートエンコーダに並列に入力し、特徴抽出を行い、流体インテリジェンスを予測する。
性能を向上させるために,木回帰とリッジ回帰モデルを自動的に積み重み付き値で融合させた。
最後に、コネクトームパターンをよりよく説明するためにオートエンコーダの層を可視化し、続いて脳機能のメカニズムを正当化する性能評価を行った。
結果: 提案手法は平均絶対偏差 3.85, 相関係数 0.66, r-二乗係数 0.42 で, 従来の手法よりも優れていた。
また,自動エンコーダアルゴリズムによって生物パターン抽出の最適化が自動化されたことも注目に値する。
結論: 提案手法は, 最先端の報告に勝るだけでなく, 自然界の映画状態における機能的接続状態から生物学的パターンを効果的に把握し, 臨床研究の可能性を秘めている。
関連論文リスト
- Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2024-07-04T16:56:59Z) - DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks [4.041732967881764]
ほとんどのrs-fMRI研究は、関心のある脳領域にまたがる単一の静的機能接続行列を計算している。
これらのアプローチは、脳のダイナミクスを単純化し、目の前のゴールを適切に考慮していないリスクがある。
本稿では,時系列から直接ゴール固有の機能的接続行列を学習する,解釈可能な新しいディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-19T23:35:06Z) - Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data [2.193937336601403]
本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。
本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
論文 参考訳（メタデータ） (2023-11-06T20:58:07Z) - Exploring hyperelastic material model discovery for human brain cortex:
multivariate analysis vs. artificial neural network approaches [10.003764827561238]
本研究の目的は、ヒト脳組織において最も好ましい物質モデルを特定することである。
我々は、広く受け入れられている古典モデルの一般化に、人工ニューラルネットワークと多重回帰法を適用した。
論文 参考訳（メタデータ） (2023-10-16T18:49:59Z) - On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。
我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
論文 参考訳（メタデータ） (2023-07-28T13:22:32Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics
of Functional Connectivity [9.015698823470899]
空間と時間にまたがる機能的脳結合をモデル化するためのアプローチを提案する。
我々は、性別分類とインテリジェンス予測にヒューマン・コネクトーム・プロジェクト(Human Connectome Project)データセットを使用する。
その結果、性別の予測精度は94.4%、流体インテリジェンス(0.325対0.144)との相関は、空間と時間を別々に符号化するベースラインモデルと比較して改善された。
論文 参考訳（メタデータ） (2021-09-07T14:23:34Z) - Going Beyond Linear RL: Sample Efficient Neural Function Approximation [76.57464214864756]
2層ニューラルネットワークによる関数近似について検討する。
この結果は線形(あるいは可溶性次元)法で達成できることを大幅に改善する。
論文 参考訳（メタデータ） (2021-07-14T03:03:56Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Efficient Inference of Flexible Interaction in Spiking-neuron Networks [41.83710212492543]
非線形ホークス法を用いて、ニューロン間の興奮的または抑制的な相互作用をモデル化する。
提案アルゴリズムは, 相互作用の時間的ダイナミクスを推定し, ニューラルスパイク列の根底にある機能的接続を明らかにする。
論文 参考訳（メタデータ） (2020-06-23T09:10:30Z)
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。