論文の概要: On the interpretation of linear Riemannian tangent space model parameters in M/EEG

• arxiv url: http://arxiv.org/abs/2107.14398v1
• Date: Fri, 30 Jul 2021 02:32:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-02 12:54:56.827137
• Title: On the interpretation of linear Riemannian tangent space model parameters in M/EEG
• Title（参考訳）: M/EEGにおける線型リーマン接空間モデルパラメータの解釈について
• Authors: Reinmar J. Kobler, Jun-Ichiro Hirayama, Lea Hehenberger Catarina Lopes-Dias, Gernot R. M\"uller-Putz, Motoaki Kawanabe
• Abstract要約: 本稿では,線形接空間モデルのパラメータを解釈可能なパターンに変換する手法を提案する。 提案手法は,ターゲット信号の符号化により,潜伏音源の真のパターンを識別する。
• 参考スコア（独自算出の注目度）: 6.733750636984847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Riemannian tangent space methods offer state-of-the-art performance in magnetoencephalography (MEG) and electroencephalography (EEG) based applications such as brain-computer interfaces and biomarker development. One limitation, particularly relevant for biomarker development, is limited model interpretability compared to established component-based methods. Here, we propose a method to transform the parameters of linear tangent space models into interpretable patterns. Using typical assumptions, we show that this approach identifies the true patterns of latent sources, encoding a target signal. In simulations and two real MEG and EEG datasets, we demonstrate the validity of the proposed approach and investigate its behavior when the model assumptions are violated. Our results confirm that Riemannian tangent space methods are robust to differences in the source patterns across observations. We found that this robustness property also transfers to the associated patterns.
• Abstract（参考訳）: リーマンタンジェント空間法は、脳磁図(MEG)と脳波(EEG)に基づく脳-コンピュータインタフェースやバイオマーカー開発における最先端のパフォーマンスを提供する。 バイオマーカー開発に特に関係する1つの制限は、確立されたコンポーネントベースの手法と比較して限定的なモデル解釈可能性である。 本稿では,線形接空間モデルのパラメータを解釈可能なパターンに変換する手法を提案する。 典型的な仮定を用いて,本手法が潜在源の真のパターンを同定し,対象信号の符号化を行うことを示す。 シミュレーションと2つの実際のMEGおよびEEGデータセットにおいて、提案手法の有効性を実証し、モデル仮定に違反した場合の挙動を考察する。 その結果, リーマン接空間法は観測点パターンの違いに頑健であることが確認された。 このロバスト性は関連するパターンにも転移することがわかった。

関連論文リスト

• Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
  拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。 遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
  論文  参考訳（メタデータ） (2024-06-21T01:32:03Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Data-driven reduced-order modelling for blood flow simulations with geometry-informed snapshots [0.0]
  類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。 幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。 ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
  論文  参考訳（メタデータ） (2023-02-21T21:18:17Z)
• Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
  本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。 提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
  論文  参考訳（メタデータ） (2022-05-18T17:11:23Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  経験的性能を示すスコアベース生成モデル(SGM)を紹介する。 現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。 これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)
• Grassmannian diffusion maps based surrogate modeling via geometric harmonics [0.0]
  工学系と複雑な物理現象の応答を予測する新しい代理モデルを開発した。 GDMaps と幾何調和は、入力パラメータの空間からグラスマン拡散多様体への大域写像を作成するために用いられる。 本手法が大規模モデルにおける不確実性定量化の適用の強い候補であることを示すため,精度の高い予測が得られた。
  論文  参考訳（メタデータ） (2021-09-28T15:33:32Z)
• Latent Space Model for Higher-order Networks and Generalized Tensor Decomposition [18.07071669486882]
  我々は、複雑な高次ネットワーク相互作用を研究するために、一般的な潜在空間モデルとして定式化された統一フレームワークを導入する。 一般化された多線形カーネルをリンク関数として、潜伏位置と観測データとの関係を定式化する。 本手法が合成データに与える影響を実証する。
  論文  参考訳（メタデータ） (2021-06-30T13:11:17Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)

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。