論文の概要: Non-Euclidean Analysis of Joint Variations in Multi-Object Shapes

• arxiv url: http://arxiv.org/abs/2109.02230v2
• Date: Tue, 7 Sep 2021 13:44:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 11:48:27.779792
• Title: Non-Euclidean Analysis of Joint Variations in Multi-Object Shapes
• Title（参考訳）: 多物体形状における関節変動の非ユークリッド解析
• Authors: Zhiyuan Liu and J\"orn Schulz and Mohsen Taheri and Martin Styner and James Damon and Stephen Pizer and J. S. Marron
• Abstract要約: 分類タスクにおける複数の機能関連構造の連成解析について考察する。 我々は、ユークリッド空間における非ユークリッド統計を忠実に表現できる新しい非ユークリッド統計の組み合わせに基づく手法を考案した。 その結果, 多ブロック非ユークリッドデータの結合変動のパターンを認識する上で, 結合構造は有効で, 頑健であり, 解釈可能であることがわかった。
• 参考スコア（独自算出の注目度）: 11.541085210309657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper considers joint analysis of multiple functionally related structures in classification tasks. In particular, our method developed is driven by how functionally correlated brain structures vary together between autism and control groups. To do so, we devised a method based on a novel combination of (1) non-Euclidean statistics that can faithfully represent non-Euclidean data in Euclidean spaces and (2) a non-parametric integrative analysis method that can decompose multi-block Euclidean data into joint, individual, and residual structures. We find that the resulting joint structure is effective, robust, and interpretable in recognizing the underlying patterns of the joint variation of multi-block non-Euclidean data. We verified the method in classifying the structural shape data collected from cases that developed and did not develop into Autistic Spectrum Disorder (ASD).
• Abstract（参考訳）: 分類タスクにおける複数の機能関連構造の連成解析について考察する。 特に本手法は,機能的に相関した脳の構造が自閉症と対照群でどのように異なるかに起因している。 そこで本研究では,(1)ユークリッド空間における非ユークリッドデータを忠実に表現できる非ユークリッド統計と,(2)複数ブロックユークリッドデータを結合構造,個人構造,残留構造に分解可能な非パラメトリック積分解析との組み合わせを考案した。 その結果, 多ブロック非ユークリッドデータの結合変動のパターンを認識する上で, 結合構造は有効で, 堅牢であり, 解釈可能であることがわかった。 自閉症スペクトラム障害 (asd) に発展しなかった症例から収集した構造形状データを分類する方法を検証した。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Coefficient Shape Alignment in Multiple Functional Linear Regression [0.0]
  我々は「係数形状アライメント」と呼ばれる新しい正規化手法によるグループ多重機能回帰モデルを開発した。 我々は、真のグループ構造を正確に同定し、モデル推定の特性を導出できる条件を確立する。 本モデルの実用性は,糖質評価の文脈における実データ解析によって実証される。
  論文  参考訳（メタデータ） (2023-12-04T14:32:19Z)
• 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)
• Causal Discovery with Generalized Linear Models through Peeling Algorithms [7.859708910171316]
  本稿では、一般化された構造方程式モデルを用いた因果発見の新しい手法を提案する。 これは、剥離アルゴリズムによって親子関係を正確に発見するための統計的保証を提供する。 また、アルツハイマー病への応用も示している。
  論文  参考訳（メタデータ） (2023-10-25T15:12:24Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
  トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。 我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
  論文  参考訳（メタデータ） (2022-11-07T14:52:58Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• sJIVE: Supervised Joint and Individual Variation Explained [0.0]
  同一対象データに対する複数ビューであるマルチソースデータの解析は, 生物医学研究においてますます一般的になっている。 本研究では,共有構造(共同)とソース固有構造(個別構造)を同時に識別する手法であるsjive(supervised joint and individual variation explained)を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:54:45Z)
• Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
  このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。 このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-04T20:28:44Z)
• 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)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。