論文の概要: Shared Independent Component Analysis for Multi-Subject Neuroimaging

• arxiv url: http://arxiv.org/abs/2110.13502v1
• Date: Tue, 26 Oct 2021 08:54:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 15:20:07.020023
• Title: Shared Independent Component Analysis for Multi-Subject Neuroimaging
• Title（参考訳）: マルチサブジェクトニューロイメージングのための共有独立成分分析
• Authors: Hugo Richard, Pierre Ablin, Bertrand Thirion, Alexandre Gramfort, Aapo Hyv\"arinen
• Abstract要約: 本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
• 参考スコア（独自算出の注目度）: 107.29179765643042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider shared response modeling, a multi-view learning problem where one wants to identify common components from multiple datasets or views. We introduce Shared Independent Component Analysis (ShICA) that models each view as a linear transform of shared independent components contaminated by additive Gaussian noise. We show that this model is identifiable if the components are either non-Gaussian or have enough diversity in noise variances. We then show that in some cases multi-set canonical correlation analysis can recover the correct unmixing matrices, but that even a small amount of sampling noise makes Multiset CCA fail. To solve this problem, we propose to use joint diagonalization after Multiset CCA, leading to a new approach called ShICA-J. We show via simulations that ShICA-J leads to improved results while being very fast to fit. While ShICA-J is based on second-order statistics, we further propose to leverage non-Gaussianity of the components using a maximum-likelihood method, ShICA-ML, that is both more accurate and more costly. Further, ShICA comes with a principled method for shared components estimation. Finally, we provide empirical evidence on fMRI and MEG datasets that ShICA yields more accurate estimation of the components than alternatives.
• Abstract（参考訳）: 共有応答モデリングは、複数のデータセットやビューから共通コンポーネントを識別したいという多視点学習問題である。 我々は,各ビューを混合ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する共有独立成分分析(shica)を提案する。 このモデルは, 成分が非ガウス的であるか, 雑音分散の多様性が十分ある場合, 同定可能であることを示す。 そこで, マルチセット正準相関解析により, 正しい混合行列を復元できることが示されるが, 少量のサンプリングノイズでも, マルチセットCCAは失敗する。 そこで本研究では,マルチセットCAA後の共同対角化手法を提案し,ShICA-Jと呼ばれる新しいアプローチを提案する。 シミュレーションにより,ShICA-Jは極めて高速に適合し,良好な結果が得られることを示す。 また,ShICA-Jは2次統計量に基づくものであるが,より正確かつ高コストなShICA-MLを用いて,コンポーネントの非ガウス性を活用することを提案する。 さらに、ShICAは共有コンポーネント推定の原則的な方法を備えている。 最後に,fmri と meg データセットにおいて,shica が代替品よりも正確な成分推定をもたらすことを実証的に示す。

関連論文リスト

• Identifiable Shared Component Analysis of Unpaired Multimodal Mixtures [10.563519176608667]
  マルチモーダル学習における中核的なタスクは、複数の特徴空間(テキストや音声など)からの情報を統合することであり、モダリティに不変なデータ表現を提供することである。 近年の研究では、カノニカル相関分析(CCA)のような古典的なツールが、共有されたコンポーネントを小さなあいまいさまで確実に識別できることが示されている。 この研究はさらに一歩前進し、クロスモーダルなサンプルが不整合である多モード線形混合物の共有成分識別性について研究した。
  論文  参考訳（メタデータ） (2024-09-28T17:43:17Z)
• Efficient Estimation of Unique Components in Independent Component Analysis by Matrix Representation [1.0282274843007793]
  独立成分分析(ICA)は信号処理や特徴抽出の様々な応用において広く用いられている手法である。 本稿では,アルゴリズムを行列表現で再構成することにより,ICAの固有推定を高度に高速化する。 人工データセットと脳波データを用いた実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-08-30T09:01:04Z)
• Bayesian Joint Additive Factor Models for Multiview Learning [7.254731344123118]
  マルチオミクスデータが収集され、臨床結果と相関する精度医学の文脈でモチベーション応用が生じる。 本稿では,共有およびビュー固有のコンポーネントを考慮に入れた,構造化された付加的設計を伴うJAFAR(Joint Additive Factor regression model)を提案する。 免疫,メタボローム,プロテオームデータから得られた時間とラベルの発症の予測は,最先端の競合相手に対するパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2024-06-02T15:35:45Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Single Independent Component Recovery and Applications [10.767665631734797]
  得られたデータは、2つの統計的に独立な成分の可逆混合であるとみなす。 そこで本研究では,識別器を備えたオートエンコーダを提案する。 提案手法は,エントロピー保存変換への関心を回復できることを示す。
  論文  参考訳（メタデータ） (2021-10-12T10:56:54Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• 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。