論文の概要: Thresholded Graphical Lasso Adjusts for Latent Variables: Application to Functional Neural Connectivity

• arxiv url: http://arxiv.org/abs/2104.06389v1
• Date: Tue, 13 Apr 2021 17:50:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-14 13:38:55.700951
• Title: Thresholded Graphical Lasso Adjusts for Latent Variables: Application to Functional Neural Connectivity
• Title（参考訳）: 潜在変数に対する閾値ラッソ補正法:機能的ニューラルコネクティビティへの応用
• Authors: Minjie Wang, Genevera I. Allen
• Abstract要約: 本稿では,潜在変数の存在下でのグラフ選択問題に対処するためのハードしきい値演算子を提案する。 グラフ選択整合性の観点から,グラフィカルラスソ,近隣選択,CLIME推定器のしきい値化が優れた理論特性を有することを示した。 また, カルシウムイメージングデータを用いた神経科学のケーススタディにより, 機能的神経結合を推定する手法の適用性を示す。
• 参考スコア（独自算出の注目度）: 1.52292571922932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In neuroscience, researchers seek to uncover the connectivity of neurons from large-scale neural recordings or imaging; often people employ graphical model selection and estimation techniques for this purpose. But, existing technologies can only record from a small subset of neurons leading to a challenging problem of graph selection in the presence of extensive latent variables. Chandrasekaran et al. (2012) proposed a convex program to address this problem that poses challenges from both a computational and statistical perspective. To solve this problem, we propose an incredibly simple solution: apply a hard thresholding operator to existing graph selection methods. Conceptually simple and computationally attractive, we demonstrate that thresholding the graphical Lasso, neighborhood selection, or CLIME estimators have superior theoretical properties in terms of graph selection consistency as well as stronger empirical results than existing approaches for the latent variable graphical model problem. We also demonstrate the applicability of our approach through a neuroscience case study on calcium-imaging data to estimate functional neural connections.
• Abstract（参考訳）: 神経科学では、研究者は大規模な神経記録やイメージングからニューロンの接続性を明らかにすることを模索しており、しばしばこの目的のためにグラフィカルモデルの選択と推定技術を使用している。 しかし、既存の技術はニューロンのごく一部からしか記録できないため、広範囲な潜在変数の存在下でグラフの選択が困難になる。 Chandrasekaran et al。 (2012) は、この問題に対処する凸プログラムを提案し、計算と統計の両方の観点から課題を提起した。 この問題を解決するために,既存のグラフ選択法にハードしきい値演算子を適用するという,非常に簡単な解を提案する。 概念的に単純かつ計算的に魅力的で,グラフ選択一貫性の面では,グラフラッソ,近傍選択,クリム推定器のしきい値が,潜在変数のグラフィカルモデル問題に対する既存のアプローチよりも強力な経験的結果を持つことを示す。 また, カルシウムイメージングデータを用いた神経科学のケーススタディにより, 機能的神経結合を推定する手法の適用性を示す。

関連論文リスト

• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [9.803179588247252]
  グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。 行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
  論文  参考訳（メタデータ） (2023-06-09T19:10:16Z)
• Nonparanormal Graph Quilting with Applications to Calcium Imaging [1.1470070927586016]
  ガウス図形モデルに基づく非正規グラフクィルティングの2つの手法について検討する。 提案手法は, 既存のガウスグラフキルト法と比較して, より科学的に有意な機能的接続推定値が得られる。
  論文  参考訳（メタデータ） (2023-05-22T21:16:01Z)
• Low-Rank Covariance Completion for Graph Quilting with Applications to Functional Connectivity [8.500141848121782]
  多くのカルシウムイメージングデータセットでは、ニューロンの全個体数は同時に記録されるのではなく、部分的に重なるブロックに記録される。 本稿では、まず、低ランクココンプリートを用いた原子核構造行列を暗示するグラフ量子化法について述べる。 カルシウムイメージングデータから接続性を推定するためのこれらの手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-09-17T08:03:46Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Gaussian Graphical Model Selection for Huge Data via Minipatch Learning [1.2891210250935146]
  グラフィカルモデル選択の問題を解決するために,MPGraph (Minipatch Graph) 推定器を提案する。 MPGraphは、観測とノードの両方の小さなランダムなサブセットに適合する閾値グラフ推定器の一般化である。 本アルゴリズムは有限サンプルグラフ選択の整合性を実現する。
  論文  参考訳（メタデータ） (2021-10-22T21:06:48Z)
• Learning identifiable and interpretable latent models of high-dimensional neural activity using pi-VAE [10.529943544385585]
  本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。 我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。 人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
  論文  参考訳（メタデータ） (2020-11-09T22:00:38Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)

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。