論文の概要: A hierarchical Bayesian model to find brain-behaviour associations in incomplete data sets

• arxiv url: http://arxiv.org/abs/2103.06845v1
• Date: Thu, 11 Mar 2021 18:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-12 14:55:41.688084
• Title: A hierarchical Bayesian model to find brain-behaviour associations in incomplete data sets
• Title（参考訳）: 不完全データセットにおける脳行動関連の階層的ベイズモデル
• Authors: Fabio S. Ferreira, Agoston Mihalik, Rick A. Adams, John Ashburner, Janaina Mourao-Miranda
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Canonical Correlation Analysis (CCA) and its regularised versions have been widely used in the neuroimaging community to uncover multivariate associations between two data modalities (e.g., brain imaging and behaviour). However, these methods have inherent limitations: (1) statistical inferences about the associations are often not robust; (2) the associations within each data modality are not modelled; (3) missing values need to be imputed or removed. Group Factor Analysis (GFA) is a hierarchical model that addresses the first two limitations by providing Bayesian inference and modelling modality-specific associations. Here, we propose an extension of GFA that handles missing data, and highlight that GFA can be used as a predictive model. We applied GFA to synthetic and real data consisting of brain connectivity and non-imaging measures from the Human Connectome Project (HCP). In synthetic data, GFA uncovered the underlying shared and specific factors and predicted correctly the non-observed data modalities in complete and incomplete data sets. In the HCP data, we identified four relevant shared factors, capturing associations between mood, alcohol and drug use, cognition, demographics and psychopathological measures and the default mode, frontoparietal control, dorsal and ventral networks and insula, as well as two factors describing associations within brain connectivity. In addition, GFA predicted a set of non-imaging measures from brain connectivity. These findings were consistent in complete and incomplete data sets, and replicated previous findings in the literature. GFA is a promising tool that can be used to uncover associations between and within multiple data modalities in benchmark datasets (such as, HCP), and easily extended to more complex models to solve more challenging tasks.
• Abstract（参考訳）: カノニカル相関分析(CCA)とその正規化バージョンは、脳画像と行動の2つのデータモダリティ間の多変量関連を明らかにするために、神経画像のコミュニティで広く利用されている。 しかし、これらの方法には固有の制限がある:(1)関連付けに関する統計的推論はしばしば堅牢ではない;(2)各データモダリティ内の関連はモデル化されない;(3)欠落した値はインプットされるか削除される必要がある。 グループ因子分析(gfa)は、ベイズ推論とモダリティ固有関係のモデリングを提供することで、最初の2つの制限に対処する階層モデルである。 本稿では、欠落データを扱うGFAの拡張を提案し、GFAが予測モデルとして使用できることを強調する。 我々は,ヒトコネクトームプロジェクト(hcp)による脳結合と非画像計測からなる合成データと実データにgfaを適用した。 合成データでは、GFAは基礎となる共有および特定の要因を明らかにし、完全かつ不完全なデータセットにおける観測されていないデータモダリティを正しく予測した。 hcpデータでは, 気分, アルコール, 薬物使用, 認知, 人口動態, 精神病理学的指標, デフォルトモード, 前頭頂側制御, 背側, 腹側ネットワーク, insulaの4つの関連因子と, 脳との結合関係を記述した2つの因子を同定した。 さらに、GFAは脳のコネクティビティから非画像対策のセットを予測した。 これらの結果は完全なデータセットと不完全なデータセットで一致し、文献で以前の知見を再現した。 GFAは有望なツールであり、ベンチマークデータセット(HCPなど)における複数のデータモダリティ間の関連を解明し、より困難なタスクを解決するためにより複雑なモデルに容易に拡張することができる。

関連論文リスト

• A Plug-and-Play Method for Rare Human-Object Interactions Detection by Bridging Domain Gap [50.079224604394]
  textbfContext-textbfEnhanced textbfFeature textbfAment (CEFA) と呼ばれる新しいモデルに依存しないフレームワークを提案する。 CEFAは機能アライメントモジュールとコンテキスト拡張モジュールで構成される。 本手法は, 稀なカテゴリにおけるHOIモデルの検出性能を向上させるために, プラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T08:42:48Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
  コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。 古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-10T18:49:59Z)
• Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
  我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。 私たちの観察は直感的である。 私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
  論文  参考訳（メタデータ） (2022-09-30T17:15:19Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• Lung Cancer Risk Estimation with Incomplete Data: A Joint Missing Imputation Perspective [5.64530854079352]
  マルチモーダルデータの連成分布をモデル化することで、欠落データの計算に対処する。 本稿では, PBiGAN を用いた新しい条件付き PBiGAN (C-PBiGAN) 法を提案する。 C-PBiGANは, 肺がんのリスク評価において, 代表的計算法と比較して有意に改善した。
  論文  参考訳（メタデータ） (2021-07-25T20:15:16Z)
• Recommendations for Bayesian hierarchical model specifications for case-control studies in mental health [0.0]
  研究者は、すべての被験者が共通の集団から引き出されたと仮定するか、またはそれらを別の集団から派生したものとしてモデル化するかを選択する必要がある。 一般的に使用される帯域幅タスクから合成多群行動データに対する系統シミュレーションを行った。 適合群は,全ての条件において,最も正確かつ堅牢な推論を別々に提供した。
  論文  参考訳（メタデータ） (2020-11-03T14:19:59Z)
• Causal inference of brain connectivity from fMRI with $\psi$-Learning Incorporated Linear non-Gaussian Acyclic Model ($\psi$-LiNGAM) [27.32225635737671]
  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。
  論文  参考訳（メタデータ） (2020-06-16T21:56:40Z)
• 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)
• Fragmentation Coagulation Based Mixed Membership Stochastic Blockmodel [17.35449041036449]
  MMSB(Mixed-Membership Blockmodel)は,ネットワークデータの基盤となる複雑な隠れ構造を学習するのに適した,最先端のベイズ的手法の一つとして提案されている。 本モデルでは,エンティティのコミュニティ情報を抽出するエンティティベースのクラスタリングと,リンクのグループ情報を同時に導出するリンケージベースのクラスタリングを行う。 コミュニティ構造とグループ互換行列を統合することにより、MMSBの一般化版を導出する。
  論文  参考訳（メタデータ） (2020-01-17T22:02:23Z)

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。