論文の概要: Orthogonal Statistical Inference for Multimodal Data Analysis
- arxiv url: http://arxiv.org/abs/2103.07088v1
- Date: Fri, 12 Mar 2021 05:04:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 13:15:34.298307
- Title: Orthogonal Statistical Inference for Multimodal Data Analysis
- Title(参考訳): マルチモーダルデータ解析のための直交統計推論
- Authors: Xiaowu Dai and Lexin Li
- Abstract要約: マルチモーダルイメージングは神経科学の研究を変えた。
単純な関連モデルに起因する解釈可能性の利点と、高度に適応的な非線形モデルによって達成される柔軟性を組み合わせることは困難です。
- 参考スコア(独自算出の注目度): 5.010425616264462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal imaging has transformed neuroscience research. While it presents
unprecedented opportunities, it also imposes serious challenges. Particularly,
it is difficult to combine the merits of interpretability attributed to a
simple association model and flexibility achieved by a highly adaptive
nonlinear model. In this article, we propose an orthogonal statistical
inferential framework, built upon the Neyman orthogonality and a form of
decomposition orthogonality, for multimodal data analysis. We target the
setting that naturally arises in almost all multimodal studies, where there is
a primary modality of interest, plus additional auxiliary modalities. We
successfully establish the root-$N$-consistency and asymptotic normality of the
estimated primary parameter, the semi-parametric estimation efficiency, and the
asymptotic honesty of the confidence interval of the predicted primary modality
effect. Our proposal enjoys, to a good extent, both model interpretability and
model flexibility. It is also considerably different from the existing
statistical methods for multimodal data integration, as well as the
orthogonality-based methods for high-dimensional inferences. We demonstrate the
efficacy of our method through both simulations and an application to a
multimodal neuroimaging study of Alzheimer's disease.
- Abstract(参考訳): マルチモーダルイメージングは神経科学の研究を変えた。
前例のない機会を提供する一方で、深刻な課題も課している。
特に、単純な関連モデルに起因する解釈可能性の利点と、高度に適応的な非線形モデルによって達成される柔軟性を組み合わせることは困難です。
本稿では,マルチモーダルデータ解析のために,ニーマン直交性に基づく直交統計推論フレームワークと分解直交性の形式を提案する。
我々は、関心の主モダリティと追加の補助モダリティが存在するほとんどすべてのマルチモーダル研究において自然に発生する設定を目標とする。
推定一次パラメータのroot-$n$-consistencyと漸近正規性、半パラメトリック推定効率、予測された一次様相効果の信頼区間の漸近的正直性を確立することに成功した。
私たちの提案は、モデル解釈可能性とモデルの柔軟性の両方を十分に楽しんでいます。
また、マルチモーダルデータ統合のための既存の統計手法と、高次元推論のための直交性に基づく方法とは大きく異なる。
シミュレーションおよびアルツハイマー病のマルチモーダル・ニューロイメージング研究への応用により,本手法の有効性を実証する。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - A Multivariate Unimodality Test Harnessing the Dip Statistic of
Mahalanobis Distances Over Random Projections [0.21756081703275998]
線形ランダムプロジェクションとポイント・ツー・ポイント・ディスタンシングにより、一次元の一様性原理を多次元空間に拡張する。
我々の手法は$alpha$-unimodalityの仮定に根ざし、泥ッドと呼ばれる新しい一様性試験を提示する。
理論的および実証的研究は,多次元データセットの一様性評価における本手法の有効性を確認した。
論文 参考訳(メタデータ) (2023-11-28T09:11:02Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-05T13:42:11Z) - Quantifying & Modeling Multimodal Interactions: An Information
Decomposition Framework [89.8609061423685]
本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。
PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。
本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
論文 参考訳(メタデータ) (2023-02-23T18:59:05Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳(メタデータ) (2021-11-11T14:28:12Z) - AMMASurv: Asymmetrical Multi-Modal Attention for Accurate Survival
Analysis with Whole Slide Images and Gene Expression Data [2.0329335234511974]
AMMASurvと呼ばれる新しい非対称多モード法を提案する。
AMMASurvは、すべてのモダリティにおいて本質的な情報を効果的に利用でき、異なる重要性のモダリティに柔軟に適応する。
論文 参考訳(メタデータ) (2021-08-28T04:02:10Z) - Heterogeneous Tensor Mixture Models in High Dimensions [5.656785831541303]
我々は,不均質な共分散を持つ柔軟高次元テンソル混合モデルを導入する問題を考える。
本手法は,実パラメータの統計的近傍に幾何学的に収束することを示す。
自閉症スペクトラム障害の診断に重要な脳領域を明らかにする。
論文 参考訳(メタデータ) (2021-04-15T21:06:16Z) - ASMFS: Adaptive-Similarity-based Multi-modality Feature Selection for
Classification of Alzheimer's Disease [37.34130395221716]
特徴選択と局所類似性学習を同時に行う新しい多モード特徴選択法を提案する。
本手法の有効性は,アルツハイマー病神経画像イニシアチブデータセットを用いて実験的に検証した。
論文 参考訳(メタデータ) (2020-10-16T06:53:27Z)
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。