論文の概要: A Tensor SVD-based Classification Algorithm Applied to fMRI Data
- arxiv url: http://arxiv.org/abs/2111.00587v1
- Date: Sun, 31 Oct 2021 20:39:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-03 07:02:19.072780
- Title: A Tensor SVD-based Classification Algorithm Applied to fMRI Data
- Title（参考訳）: fMRIデータに適用したテンソルSVDに基づく分類アルゴリズム
- Authors: Katherine Keegan, Tanvi Vishwanath, Yihua Xu
- Abstract要約: 行列SVDのテンソルアナログである t-SVDM を用いた投影型分類アルゴリズムを用いる。
数値実験により、fMRI分類に最適なテンソルベースアプローチが存在することが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To analyze the abundance of multidimensional data, tensor-based frameworks
have been developed. Traditionally, the matrix singular value decomposition
(SVD) is used to extract the most dominant features from a matrix containing
the vectorized data. While the SVD is highly useful for data that can be
appropriately represented as a matrix, this step of vectorization causes us to
lose the high-dimensional relationships intrinsic to the data. To facilitate
efficient multidimensional feature extraction, we utilize a projection-based
classification algorithm using the t-SVDM, a tensor analog of the matrix SVD.
Our work extends the t-SVDM framework and the classification algorithm, both
initially proposed for tensors of order 3, to any number of dimensions. We then
apply this algorithm to a classification task using the StarPlus fMRI dataset.
Our numerical experiments demonstrate that there exists a superior tensor-based
approach to fMRI classification than the best possible equivalent matrix-based
approach. Our results illustrate the advantages of our chosen tensor framework,
provide insight into beneficial choices of parameters, and could be further
developed for classification of more complex imaging data. We provide our
Python implementation at https://github.com/elizabethnewman/tensor-fmri.
- Abstract（参考訳）: 多次元データの豊富さを分析するために,テンソルベースのフレームワークを開発した。
伝統的に、行列特異値分解(svd)はベクトル化データを含む行列から最も支配的な特徴を抽出するために用いられる。
SVDは行列として適切に表現できるデータに対して非常に有用であるが、ベクトル化のこのステップにより、データに固有の高次元の関係を失う。
効率的な多次元特徴抽出を容易にするために,行列SVDのテンソルアナログであるt-SVDMを用いた投影型分類アルゴリズムを用いる。
我々の研究は、t-SVDMフレームワークと分類アルゴリズムを拡張し、最初は位数3のテンソルを任意の次元に拡張した。
次に、このアルゴリズムをStarPlus fMRIデータセットを用いて分類タスクに適用する。
数値実験により, fmri分類には, 最善の等価行列ベースアプローチよりも優れたテンソルベースアプローチが存在することが示された。
以上の結果から,選択したテンソルフレームワークの利点を示し,パラメータの有用な選択への洞察を提供し,より複雑な画像データの分類のためにさらに開発できる可能性が示唆された。
私たちは、pythonの実装をhttps://github.com/elizabethnewman/tensor-fmriで提供します。
関連論文リスト
- ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。
データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。
textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z) - Optimal Matrix-Mimetic Tensor Algebras via Variable Projection [0.0]
行列緩和性(Matrix mimeticity)は、テンソルを、行列に類似した乗算、分解、解析が可能な作用素として解釈することから生じる。
我々は、データの事前の知識に頼ることなく、最適線形写像と対応するテンソル表現を学習する。
可変射影型アルゴリズムの変換と収束解析の独創性理論を提供する。
論文 参考訳（メタデータ） (2024-06-11T04:52:23Z) - Support matrix machine: A review [0.0]
サポートマトリックスマシン(SMM)は、行列入力データを扱うのに適した新しい手法の1つである。
本稿では,SMM モデルの開発について,より詳細な分析を行う。
我々は、ロバスト、スパース、クラス不均衡、マルチクラス分類モデルなど、多くのSMM変種について論じる。
論文 参考訳（メタデータ） (2023-10-30T16:46:23Z) - Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳（メタデータ） (2023-08-26T06:12:33Z) - A new filter for dimensionality reduction and classification of
hyperspectral images using GLCM features and mutual information [0.0]
ハイパースペクトル画像の次元化と分類のための新しい手法を提案する。
スペクトル情報と空間情報の両方を相互情報に基づいて考慮する。
3つのよく知られたハイパースペクトルベンチマークデータセットで実験が行われる。
論文 参考訳（メタデータ） (2022-11-01T13:19:08Z) - Why Approximate Matrix Square Root Outperforms Accurate SVD in Global
Covariance Pooling? [59.820507600960745]
本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。
提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-05-06T08:03:45Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - Features based Mammogram Image Classification using Weighted Feature
Support Vector Machine [0.0]
重み付き特徴支援ベクトルマシン(WFSVM)を用いて乳房組織型の自動分類を良性または悪性とみなす。
この分析によると、テクスチャ機能はWFSVMやSVMの他の機能よりも精度が高い。
論文 参考訳（メタデータ） (2020-09-19T21:28:31Z) - On Coresets for Support Vector Machines [61.928187390362176]
coresetは、元のデータポイントの小さな、代表的なサブセットである。
我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
論文 参考訳（メタデータ） (2020-02-15T23:25:12Z) - Efficient Structure-preserving Support Tensor Train Machine [0.0]
列車マルチウェイマルチレベルカーネル(TT-MMK)
我々は,ポリアディック分解の単純さ,デュアル構造保存支援機の分類能力,およびTrain Vector近似の信頼性を組み合わせたTrain Multi-way Multi-level Kernel(TT-MMK)を開発した。
実験により,TT-MMK法は通常より信頼性が高く,チューニングパラメータに敏感で,他の最先端技術と比較した場合のSVM分類において高い予測精度が得られた。
論文 参考訳（メタデータ） (2020-02-12T16:35:10Z)
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。