論文の概要: Gaussian Mixture Graphical Lasso with Application to Edge Detection in Brain Networks

• arxiv url: http://arxiv.org/abs/2101.05348v1
• Date: Wed, 13 Jan 2021 21:15:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 07:56:09.153039
• Title: Gaussian Mixture Graphical Lasso with Application to Edge Detection in Brain Networks
• Title（参考訳）: gaussian mixed graphics lassoの脳ネットワークにおけるエッジ検出への応用
• Authors: Hang Yin, Xinyue Liu, Xiangnan Kong
• Abstract要約: この作品はLatent DirichletAllocation (LDA)にインスパイアされたものです。 GaussianMixture Graphical Lasso (MGL) という新しいモデルを提案する。 mglは、各混合成分が生成する信号の比率とそれらのパラメータをemフレームワークを介して反復的に学習する。
• 参考スコア（独自算出の注目度）: 21.49394455839253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse inverse covariance estimation (i.e., edge de-tection) is an important research problem in recent years, wherethe goal is to discover the direct connections between a set ofnodes in a networked system based upon the observed nodeactivities. Existing works mainly focus on unimodal distributions,where it is usually assumed that the observed activities aregenerated from asingleGaussian distribution (i.e., one graph).However, this assumption is too strong for many real-worldapplications. In many real-world applications (e.g., brain net-works), the node activities usually exhibit much more complexpatterns that are difficult to be captured by one single Gaussiandistribution. In this work, we are inspired by Latent DirichletAllocation (LDA) [4] and consider modeling the edge detectionproblem as estimating a mixture ofmultipleGaussian distribu-tions, where each corresponds to a separate sub-network. Toaddress this problem, we propose a novel model called GaussianMixture Graphical Lasso (MGL). It learns the proportionsof signals generated by each mixture component and theirparameters iteratively via an EM framework. To obtain moreinterpretable networks, MGL imposes a special regularization,called Mutual Exclusivity Regularization (MER), to minimize theoverlap between different sub-networks. MER also addresses thecommon issues in read-world data sets,i.e., noisy observationsand small sample size. Through the extensive experiments onsynthetic and real brain data sets, the results demonstrate thatMGL can effectively discover multiple connectivity structuresfrom the observed node activities
• Abstract（参考訳）: 疎逆共分散推定(エッジデテクション)は近年重要な研究課題であり、観測されたノードアクティビティに基づいてネットワークシステム内のノードの集合間の直接接続を発見することが目的である。 既存の著作は主に一様分布に焦点を合わせており、観測された活動はアシングルガウス分布(すなわち1つのグラフ)から生成されると仮定されている。 多くの現実世界の応用(例えば脳ネットワークス)において、ノードのアクティビティは通常より複雑なパターンを示し、単一のガウス分布によって捉えるのが困難である。 本研究では、Latent DirichletAllocation (LDA) [4] にインスパイアされ、エッジ検出プロブレムを、それぞれが別々のサブネットワークに対応する多重ガウス分布の混合を推定するものとしてモデル化することを検討する。 この問題を解決するために,GaussianMixture Graphical Lasso (MGL) と呼ばれる新しいモデルを提案する。 それぞれの混合成分とそれらのパラメータによって生成された信号の比率をemフレームワークを介して反復的に学習する。 より解釈可能なネットワークを得るために、MGLはMER(Mutual Exclusivity Regularization)と呼ばれる特別な正規化を課し、異なるサブネットワーク間のオーバーラップを最小限にする。 MERはまた、リードワールドデータセット、すなわちノイズの多い観測と小さなサンプルサイズにおける一般的な問題にも対処する。 合成および実脳のデータセットに関する広範な実験を通じて、MGLは観測されたノード活動から複数の接続構造を効果的に発見できることを示した。

関連論文リスト

• LGU-SLAM: Learnable Gaussian Uncertainty Matching with Deformable Correlation Sampling for Deep Visual SLAM [11.715999663401591]
  学習可能な2次元ガウス不確実性モデルは、マッチングフレームペアを関連付けるように設計されている。 マルチスケールの変形可能な相関戦略を考案し、各方向のサンプリングを適応的に微調整する。 本手法の有効性と優位性を検証するために,実世界のデータセットと合成データセットの実験を行った。
  論文  参考訳（メタデータ） (2024-10-30T17:20:08Z)
• Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
  グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。 本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。 本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T16:00:44Z)
• Differentially Private Non-convex Learning for Multi-layer Neural Networks [35.24835396398768]
  本稿では,単一出力ノードを持つ(多層)完全連結ニューラルネットワークに対する差分的タンジェント最適化の問題に焦点をあてる。 ニューラルカーネル理論の最近の進歩を利用して、サンプルサイズとネットワーク幅の両方が十分に大きい場合に、最初の過剰人口リスクを提供する。
  論文  参考訳（メタデータ） (2023-10-12T15:48:14Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Graph-Augmented Normalizing Flows for Anomaly Detection of Multiple Time Series [12.745860899424532]
  異常検出は、幅広い種類のデータに対して広く研究されているタスクである。 本稿では,異常検出のためのグラフ拡張正規化フロー手法を提案する。 実世界のデータセットで実験を行い、GANFの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-16T04:42:53Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)
• Multi-Level Local SGD for Heterogeneous Hierarchical Networks [11.699472346137739]
  異種ネットワークにおける学習・非目的フレームワークのための分散勾配法であるマルチレベルローカルSGDを提案する。 まず,マルチレベル局所SGDアルゴリズムを記述する統一数学的手法を提案する。 次に,アルゴリズムの理論的解析を行う。
  論文  参考訳（メタデータ） (2020-07-27T19:14:23Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Community Detection on Mixture Multi-layer Networks via Regularized Tensor Decomposition [12.244594819580831]
  マルチ層ネットワークにおけるコミュニティ検出の問題について検討し,複数のモードでノードのペアを関連付ける方法を提案する。 本稿では,ノードのグローバル/ローカルなメンバシップとレイヤのメンバシップの両方を明らかにするためのテンソルベースアルゴリズム(TWIST)を提案する。
  論文  参考訳（メタデータ） (2020-02-10T06:19:50Z)

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。