論文の概要: Joint estimation of multiple Granger causal networks: Inference of
group-level brain connectivity
- arxiv url: http://arxiv.org/abs/2105.07196v1
- Date: Sat, 15 May 2021 10:29:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:21:23.882267
- Title: Joint estimation of multiple Granger causal networks: Inference of
group-level brain connectivity
- Title（参考訳）: 複数のグレンジャー因果ネットワークの合同推定:グループレベルの脳結合の推測
- Authors: Parinthorn Manomaisaowapak and Jitkomut Songsiri
- Abstract要約: 本稿では,複数のGrangerグラフィカルモデルの合同学習について検討し,複数の時系列にわたって基礎となる差分Granger因果関係構造を明らかにする。
また,ADHD-200データセットから利用可能な静止状態fMRI時系列にも適用し,因果関係の差異を学習した。
- 参考スコア（独自算出の注目度）: 8.122270502556374
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper considers joint learning of multiple sparse Granger graphical
models to discover underlying common and differential Granger causality (GC)
structures across multiple time series. This can be applied to drawing
group-level brain connectivity inferences from a homogeneous group of subjects
or discovering network differences among groups of signals collected under
heterogeneous conditions. By recognizing that the GC of a single multivariate
time series can be characterized by common zeros of vector autoregressive (VAR)
lag coefficients, a group sparse prior is included in joint regularized
least-squares estimations of multiple VAR models. Group-norm regularizations
based on group- and fused-lasso penalties encourage a decomposition of multiple
networks into a common GC structure, with other remaining parts defined in
individual-specific networks. Prior information about sparseness and sparsity
patterns of desired GC networks are incorporated as relative weights, while a
non-convex group norm in the penalty is proposed to enhance the accuracy of
network estimation in low-sample settings. Extensive numerical results on
simulations illustrated our method's improvements over existing sparse
estimation approaches on GC network sparsity recovery. Our methods were also
applied to available resting-state fMRI time series from the ADHD-200 data sets
to learn the differences of causality mechanisms, called effective brain
connectivity, between adolescents with ADHD and typically developing children.
Our analysis revealed that parts of the causality differences between the two
groups often resided in the orbitofrontal region and areas associated with the
limbic system, which agreed with clinical findings and data-driven results in
previous studies.
- Abstract（参考訳）: 本稿では,複数の時系列にまたがる共通および微分グランガー因果構造(GC)を明らかにするために,複数のスパースグランガーグラフィカルモデルの連成学習を検討する。
これは、同質な被験者のグループからグループレベルの脳接続推定を描画したり、異質な条件下で収集された信号群間のネットワーク差を発見することに応用できる。
単一の多変量時系列のgcがベクトル自己回帰的(var)ラグ係数の共通零点によって特徴づけられることを認識して、群スパースプリアーを複数のvarモデルのジョイント正規化最小二乗推定に含める。
グループノルム法則は、グループノルム法則と融合ラッソ法則に基づいており、複数のネットワークを共通のGC構造に分解し、残りの部分は個別のネットワークで定義される。
所望のgcネットワークのスパース性やスパース性パターンに関する事前情報は相対的な重み付けとして組み込まれ、ペナルティ内の非凸群ノルムは低サンプル環境でのネットワーク推定の精度を高めるために提案されている。
シミュレーション結果から,GCネットワークの疎性回復に対する既存のスパース推定手法よりも改善したことを示す。
また,ADHD-200データセットから利用可能な静止状態fMRI時系列にも適用し,ADHDを持つ青年と発達期児の因果関係の差異を学習した。
解析の結果,両群間の因果関係の相違は,前回の研究では臨床所見とデータ駆動の結果と一致し,前頭前頭前野と辺縁系に関連する領域によく分布することが明らかとなった。
関連論文リスト
- Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data [21.697069894721448]
本研究では,Granger因果構造を推定し,異種干渉時系列データを活用することによって未知のターゲットを同定する理論的基礎的手法を提案する。
本手法は,介入時系列データからGranger因果構造を学習する上で,いくつかの頑健なベースライン法より優れている。
論文 参考訳（メタデータ） (2024-06-14T21:36:00Z) - Causal K-Means Clustering [5.087519744951637]
Causal k-Means Clusteringは、広く使われているk-means Clusteringアルゴリズムを利用して、未知の部分群構造を明らかにする。
既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。
提案手法は,複数の治療レベルを有する近代的な結果研究に特に有用である。
論文 参考訳（メタデータ） (2024-05-05T23:59:51Z) - Rethinking Clustered Federated Learning in NOMA Enhanced Wireless
Networks [60.09912912343705]
本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。
データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。
非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
論文 参考訳（メタデータ） (2024-03-05T17:49:09Z) - Deep Learning-based Group Causal Inference in Multivariate Time-series [8.073449277052495]
多変量時空の非線形系における因果推論は、変数間の関係の複雑な網を遠ざけるのに役立っている。
本研究では,学習した深層ネットワークに対するグループレベルの介入によるモデルの不変性を検証し,変数群の因果方向を推定する。
論文 参考訳（メタデータ） (2024-01-16T14:19:28Z) - Fundamental limits of community detection from multi-view data:
multi-layer, dynamic and partially labeled block models [7.778975741303385]
現代のネットワーク分析におけるマルチビューデータのコミュニティ検出について検討する。
我々は,データと潜在パラメータ間の相互情報を特徴付ける。
コミュニティ検出のための近似メッセージパッシングに基づく反復アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-16T07:13:32Z) - Population-Based Evolutionary Gaming for Unsupervised Person
Re-identification [26.279581599246224]
教師なしの人物の再識別は、個々のニューラルネットワークの自己改善を通じて大きな成功を収めた。
我々は,多種多様なニューラルネットワークの集団が選択,再現,突然変異,集団相互学習を通じて同時に訓練される,人口ベースの進化型ゲーム(PEG)フレームワークを開発する。
PEGは、個人の再識別のための新しい最先端の精度を生み出し、教師なし学習のための集団ベースのネットワーク協調トレーニングの大きな可能性を示している。
論文 参考訳（メタデータ） (2023-06-08T14:33:41Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。
4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
論文 参考訳（メタデータ） (2022-04-04T14:09:58Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳（メタデータ） (2022-02-22T21:27:31Z) - Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。
精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
論文 参考訳（メタデータ） (2021-05-11T03:39:08Z) - Amortized Probabilistic Detection of Communities in Graphs [49.46170819501234]
そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。
我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。
我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
論文 参考訳（メタデータ） (2020-10-29T16:18:48Z)
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。