論文の概要: DEMAND: Deep Matrix Approximately NonlinearDecomposition to Identify Meta, Canonical, and Sub-Spatial Pattern of functional Magnetic Resonance Imaging in the Human Brain

• arxiv url: http://arxiv.org/abs/2205.10264v1
• Date: Fri, 20 May 2022 15:55:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 19:04:53.362628
• Title: DEMAND: Deep Matrix Approximately NonlinearDecomposition to Identify Meta, Canonical, and Sub-Spatial Pattern of functional Magnetic Resonance Imaging in the Human Brain
• Title（参考訳）: 要求:脳における機能的磁気共鳴画像のメタ, 正準, サブ空間パターンの同定のための非線形重ね合わせ法
• Authors: Wei Zhang, Yu Bao
• Abstract要約: 本研究では,SDL(Sparse Dictionary Learning)やDNN(Deep Neural Networks)といった浅い線形モデルを活用するために,Deep A roughly Decomposition(DEMAND)という新しい非線形行列分解法を提案する。 DEMANDは、人間の脳の再現可能な代謝、正準的、および部分空間的特徴を、他の仲間の方法論よりも効率的に明らかにすることができる。
• 参考スコア（独自算出の注目度）: 8.93274096260726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Neural Networks (DNNs) have already become a crucial computational approach to revealing the spatial patterns in the human brain; however, there are three major shortcomings in utilizing DNNs to detect the spatial patterns in functional Magnetic Resonance Signals: 1). It is a fully connected architecture that increases the complexity of network structures that is difficult to optimize and vulnerable to overfitting; 2). The requirement of large training samples results in erasing the individual/minor patterns in feature extraction; 3). The hyperparameters are required to be tuned manually, which is time-consuming. Therefore, we propose a novel deep nonlinear matrix factorization named Deep Matrix Approximately Nonlinear Decomposition (DEMAND) in this work to take advantage of the shallow linear model, e.g., Sparse Dictionary Learning (SDL) and DNNs. At first, the proposed DEMAND employs a non-fully connected and multilayer-stacked architecture that is easier to be optimized compared with canonical DNNs; furthermore, due to the efficient architecture, training DEMAND can avoid overfitting and enables the recognition of individual/minor features based on a small dataset such as an individual data; finally, a novel rank estimator technique is introduced to tune all hyperparameters of DEMAND automatically. Moreover, the proposed DEMAND is validated by four other peer methodologies via real functional Magnetic Resonance Imaging data in the human brain. In short, the validation results demonstrate that DEMAND can reveal the reproducible meta, canonical, and sub-spatial features of the human brain more efficiently than other peer methodologies.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)はすでに人間の脳の空間パターンを明らかにするための重要な計算手法となっているが、機能的磁気共鳴信号における空間パターンを検出するためにDNNを利用するには3つの大きな欠点がある。 それは、最適化が難しく、オーバーフィッティングに弱いネットワーク構造の複雑さを増大させる、完全に接続されたアーキテクチャです。 大規模なトレーニングサンプルの要求は、特徴抽出における個人/マイナーパターンの消去をもたらす。 ハイパーパラメータは手動で調整する必要がある。 そこで本研究では,SDL(Sparse Dictionary Learning)やDNN(DNN)といった浅い線形モデルを活用するために,DEMAND(Deep Matrix A respectively Nonly Decomposition)という新しい非線形行列分解法を提案する。 まず,従来のdnnに比べて最適化が容易な非完全接続・多層スタックアーキテクチャを採用し,さらに,効率的なアーキテクチャにより,個々のデータなどの小さなデータセットに基づく個人/マイノリティの認識を回避し,さらに,すべてのハイパーパラメータを自動的にチューニングする新たなランク推定手法を導入する。 さらに,提案する要求は,ヒト脳内の機能的磁気共鳴画像データを用いて,他の4つのピア方法論によって検証される。 まとめると、DEMANDは人間の脳の再現可能なメタ、カノニカル、サブ空間的特徴を他のピア法よりも効率的に明らかにすることができる。

関連論文リスト

• PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
  定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。 この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。 我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
  論文  参考訳（メタデータ） (2023-06-19T15:37:53Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• SENDER: SEmi-Nonlinear Deep Efficient Reconstructor for Extraction Canonical, Meta, and Sub Functional Connectivity in the Human Brain [8.93274096260726]
  本稿では,先述の欠点を克服するために,セミ線形深層学習法(SendER)を提案する。 SENDERは、浅い層と深い層を通してメタファンクショナルな接続を明らかにする非線形学習法のために、完全に接続されていないアーキテクチャを組み込んでいる。 実磁気共鳴画像データを用いて,SENDERを4つのピア手法と比較した。
  論文  参考訳（メタデータ） (2022-09-12T21:36:44Z)
• DELMAR: Deep Linear Matrix Approximately Reconstruction to Extract Hierarchical Functional Connectivity in the Human Brain [8.93274096260726]
  本稿では,Deep Linear Matrix Approximate Reconstruction (DELMAR) と呼ばれる新しいDeepMatrix Factorization手法を提案する。 ヒト脳の実際のMRI信号を用いた3つのピア法とDELMARの検証実験により、提案手法がfMRI信号の空間的特徴を他のピア法よりも高速かつ高精度に識別できることが実証された。
  論文  参考訳（メタデータ） (2022-05-20T17:52:50Z)
• A novel Deep Neural Network architecture for non-linear system identification [78.69776924618505]
  非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。 メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。 このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
  論文  参考訳（メタデータ） (2021-06-06T10:06:07Z)
• 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)
• 1-Dimensional polynomial neural networks for audio signal related problems [3.867363075280544]
  提案モデルでは,1DCNNよりも少ない時間と少ないメモリで,より関連性の高い情報を抽出できることを示す。 この非線形性により、音声信号に関する様々な分類や回帰問題において、通常の1DCNNよりも計算量や空間的複雑さの少ないモデルが得られることを示す。
  論文  参考訳（メタデータ） (2020-09-09T02:29:53Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。