論文の概要: A hypothesis-driven method based on machine learning for neuroimaging
data analysis
- arxiv url: http://arxiv.org/abs/2202.04397v1
- Date: Wed, 9 Feb 2022 11:13:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 19:52:37.922466
- Title: A hypothesis-driven method based on machine learning for neuroimaging
data analysis
- Title（参考訳）: ニューロイメージングデータ解析のための機械学習に基づく仮説駆動手法
- Authors: JM Gorriz, R. Martin-Clemente, C.G. Puntonet, A. Ortiz, J. Ramirez and
J. Suckling
- Abstract要約: 脳画像の空間パターンを識別するための機械学習アプローチは、特徴抽出と線形分類タスクに限定されている。
従来の一般線形モデル(GLM)の推定は,一変量分類タスクに関係していることを示す。
我々は, 線形支持ベクトル回帰(SVR-iGLM)から得られるパラメータに基づいて, GLMを用いた改良された統計的検定を導出する。
マルチサイトイニシアチブの実際のデータを用いて、提案されたMLEベースの推論は、統計的パワーと偽陽性の制御を示し、正規Gよりも優れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There remains an open question about the usefulness and the interpretation of
Machine learning (MLE) approaches for discrimination of spatial patterns of
brain images between samples or activation states. In the last few decades,
these approaches have limited their operation to feature extraction and linear
classification tasks for between-group inference. In this context, statistical
inference is assessed by randomly permuting image labels or by the use of
random effect models that consider between-subject variability. These
multivariate MLE-based statistical pipelines, whilst potentially more effective
for detecting activations than hypotheses-driven methods, have lost their
mathematical elegance, ease of interpretation, and spatial localization of the
ubiquitous General linear Model (GLM). Recently, the estimation of the
conventional GLM has been demonstrated to be connected to an univariate
classification task when the design matrix is expressed as a binary indicator
matrix. In this paper we explore the complete connection between the univariate
GLM and MLE \emph{regressions}. To this purpose we derive a refined statistical
test with the GLM based on the parameters obtained by a linear Support Vector
Regression (SVR) in the \emph{inverse} problem (SVR-iGLM). Subsequently, random
field theory (RFT) is employed for assessing statistical significance following
a conventional GLM benchmark. Experimental results demonstrate how parameter
estimations derived from each model (mainly GLM and SVR) result in different
experimental design estimates that are significantly related to the predefined
functional task. Moreover, using real data from a multisite initiative the
proposed MLE-based inference demonstrates statistical power and the control of
false positives, outperforming the regular GLM.
- Abstract（参考訳）: サンプルやアクティベーション状態の間の脳画像の空間的パターンを識別するための機械学習(MLE)アプローチの有用性と解釈について、未解決の疑問が残る。
過去数十年間、これらのアプローチは、グループ間推論のための特徴抽出と線形分類タスクへの操作を制限してきた。
この文脈では、統計的推論は画像ラベルをランダムに置換したり、オブジェクト間の変動を考慮したランダム効果モデルを用いて評価される。
これらの多変量MLEに基づく統計パイプラインは、仮説駆動法よりも活性化を検出するのに効果的であるが、数学的エレガンス、解釈の容易さ、ユビキタス一般線形モデル(GLM)の空間的局所性を失った。
近年,設計行列を2進表示行列として表現する場合,従来のglmの推定と不定分類タスクとの接続が実証されている。
本稿では、単変量 GLM と MLE \emph{regressions} の完全接続について検討する。
本研究の目的は, 線形支援ベクトル回帰(SVR)により得られるパラメータに基づいて, GLM を用いた高度統計テスト(SVR-iGLM)を導出することである。
その後、従来のGLMベンチマークに従って統計的重要性を評価するためにランダム場理論(RFT)が用いられる。
実験結果は,各モデル(主にGLMとSVR)から導出されるパラメータ推定が,事前定義された機能的タスクに大きく関係する,異なる設計推定結果をもたらすことを示す。
さらに、マルチサイトイニシアチブの実データを用いて、提案するmleに基づく推論は、統計的パワーと偽陽性の制御を示し、正規glmを上回っている。
関連論文リスト
- Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。
本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。
両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文 参考訳（メタデータ） (2024-06-12T08:30:16Z) - Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。
本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。
提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文 参考訳（メタデータ） (2024-05-22T22:22:25Z) - Weakly supervised covariance matrices alignment through Stiefel matrices
estimation for MEG applications [64.20396555814513]
本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。
我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。
MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
論文 参考訳（メタデータ） (2024-01-24T19:04:49Z) - Simulation-based inference using surjective sequential neural likelihood
estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。
データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文 参考訳（メタデータ） (2023-08-02T10:02:38Z) - Unsupervised representation learning with recognition-parametrised
probabilistic models [12.865596223775649]
認識パラメータモデル(RPM)に基づく確率的教師なし学習の新しいアプローチを提案する。
観測が条件独立であるというキー前提の下では、RPMはパラメトリックな事前条件付き潜時分布と非パラメトリックな観測因子を結合する。
RPMは、動物と人工知能の両方にとって重要な機能である観測データの基礎となる有意義な潜在構造を発見する強力なフレームワークを提供する。
論文 参考訳（メタデータ） (2022-09-13T00:33:21Z) - Deviance Matrix Factorization [6.509665408765348]
偏差に基づくデータ損失に対する一般的な行列係数化について検討し、任意の特異値分解を2乗誤差損失を超えて拡張する。
本手法は,一般化線形モデル(GLM)から古典統計手法を応用し,入射重みによる構造零点の許容に十分柔軟な効率的なアルゴリズムを提供する。
論文 参考訳（メタデータ） (2021-10-12T01:27:55Z) - MAML is a Noisy Contrastive Learner [72.04430033118426]
モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。
我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。
このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
論文 参考訳（メタデータ） (2021-06-29T12:52:26Z) - A connection between the pattern classification problem and the General
Linear Model for statistical inference [0.2320417845168326]
両方のアプローチ、すなわち。
GLM および LRM は、異なったドメイン、観察およびラベル ドメインに適用します。
より洗練された予測アルゴリズムに基づく統計的検査を導出する。
MLEベースの推論は、残留スコアを採用し、実際の(実際の)エラーのより良い推定を計算するために上界を含む。
論文 参考訳（メタデータ） (2020-12-16T12:26:26Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。