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

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Adaptive Transformer Modelling of Density Function for Nonparametric Survival Analysis [11.35395323124404]
  生存分析は、経済学、工学、医療など様々な分野において重要な役割を担っている。 本稿では,従来の分布仮定を使わずに,高品質な単文PDFを作成できる新しい生存回帰手法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T04:29:59Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• 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 Multivariate Unimodality Test Harnessing the Dip Statistic of Mahalanobis Distances Over Random Projections [0.18416014644193066]
  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)
• 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)
• 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。