論文の概要: SENDER: SEmi-Nonlinear Deep Efficient Reconstructor for Extraction
Canonical, Meta, and Sub Functional Connectivity in the Human Brain
- arxiv url: http://arxiv.org/abs/2209.05627v1
- Date: Mon, 12 Sep 2022 21:36:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 13:29:18.728506
- Title: SENDER: SEmi-Nonlinear Deep Efficient Reconstructor for Extraction
Canonical, Meta, and Sub Functional Connectivity in the Human Brain
- Title（参考訳）: SENDER:ヒト脳におけるカノニカル,メタ,サブ機能結合性抽出のためのセミ非線形ディープコンストラクタ
- Authors: Wei Zhang, Yu Bao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.93274096260726
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep Linear and Nonlinear learning methods have already been vital machine
learning methods for investigating the hierarchical features such as functional
connectivity in the human brain via functional Magnetic Resonance signals;
however, there are three major shortcomings: 1). For deep linear learning
methods, although the identified hierarchy of functional connectivity is easily
explainable, it is challenging to reveal more hierarchical functional
connectivity; 2). For deep nonlinear learning methods, although non-fully
connected architecture reduces the complexity of neural network structures that
are easy to optimize and not vulnerable to overfitting, the functional
connectivity hierarchy is difficult to explain; 3). Importantly, it is
challenging for Deep Linear/Nonlinear methods to detect meta and sub-functional
connectivity even in the shallow layers; 4). Like most conventional Deep
Nonlinear Methods, such as Deep Neural Networks, the hyperparameters must be
tuned manually, which is time-consuming. Thus, in this work, we propose a novel
deep hybrid learning method named SEmi-Nonlinear Deep Efficient Reconstruction
(SENDER), to overcome the aforementioned shortcomings: 1). SENDER utilizes a
multiple-layer stacked structure for the linear learning methods to detect the
canonical functional connectivity; 2). SENDER implements a non-fully connected
architecture conducted for the nonlinear learning methods to reveal the
meta-functional connectivity through shallow and deeper layers; 3). SENDER
incorporates the proposed background components to extract the sub-functional
connectivity; 4). SENDER adopts a novel rank reduction operator to implement
the hyperparameters tuning automatically. To further validate the
effectiveness, we compared SENDER with four peer methodologies using real
functional Magnetic Resonance Imaging data for the human brain.
- Abstract（参考訳）: 深層線形および非線形学習法はすでに、機能的磁気共鳴信号を介して人間の脳内の機能的接続などの階層的特徴を研究するための重要な機械学習手法となっているが、大きな欠点は3つある。
深い線形学習法では,関数接続の階層構造は容易に説明できるが,より階層的な機能接続性を明らかにすることは困難である。
深い非線形学習法では、非完全接続型アーキテクチャは最適化が容易で過剰フィッティングの影響を受けないニューラルネットワーク構造の複雑さを減少させるが、機能的接続階層の説明は困難である。
重要なことに、浅い層でも深い線形/非線形の方法では、メタおよびサブファンクショナルな接続を検出するのは難しい; 4)。
ディープニューラルネットワークのような従来のディープ非線形手法と同様に、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,上記の欠点を克服するために,半非線形深部効率的再構成法(sender)という新しい深層ハイブリッド学習法を提案する。
送信者は、線形学習法で正準関数接続を検出するために、多層積層構造を用いる。
senderは、浅い層と深い層を通してのメタ機能接続を明らかにするために、非線形学習法のために実行される非完全接続アーキテクチャを実装している。
SENDERは提案したバックグラウンドコンポーネントを組み込んでサブファンクショナル接続を抽出する(4)。
SENDERは、ハイパーパラメータチューニングを自動的に実装するために、新しいランク低減演算子を採用する。
この効果をさらに検証するために,ヒト脳のmriデータを用いて送信機と4つのピア方法論を比較した。
関連論文リスト
- Repetita Iuvant: Data Repetition Allows SGD to Learn High-Dimensional Multi-Index Functions [20.036783417617652]
勾配に基づくアルゴリズムを用いて学習した2層浅層ニューラルネットワークのトレーニング力学について検討する。
理想化シングルパス勾配勾配学習シナリオの簡単な修正により,その計算効率が大幅に向上することを示す。
この結果から,ネットワークが事前処理なしでデータから関連構造を学習できることが示唆された。
論文 参考訳（メタデータ） (2024-05-24T11:34:31Z) - Provable Guarantees for Nonlinear Feature Learning in Three-Layer Neural
Networks [49.808194368781095]
3層ニューラルネットワークは,2層ネットワークよりも特徴学習能力が豊富であることを示す。
この研究は、特徴学習体制における2層ネットワーク上の3層ニューラルネットワークの証明可能なメリットを理解するための前進である。
論文 参考訳（メタデータ） (2023-05-11T17:19:30Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳（メタデータ） (2022-12-18T02:03:00Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - DEMAND: Deep Matrix Approximately NonlinearDecomposition to Identify
Meta, Canonical, and Sub-Spatial Pattern of functional Magnetic Resonance
Imaging in the Human Brain [8.93274096260726]
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。
論文 参考訳（メタデータ） (2022-05-20T15:55:01Z) - The merged-staircase property: a necessary and nearly sufficient condition for SGD learning of sparse functions on two-layer neural networks [19.899987851661354]
我々は,SGD-Lrnability with $O(d)$ sample complexity in a large ambient dimension。
本研究の主な成果は, 階層的特性である「マージ階段特性」を特徴付けるものである。
鍵となるツールは、潜在低次元部分空間上で定義される函数に適用される新しい「次元自由」力学近似である。
論文 参考訳（メタデータ） (2022-02-17T13:43:06Z) - Optimization-Based Separations for Neural Networks [57.875347246373956]
本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。
これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
論文 参考訳（メタデータ） (2021-12-04T18:07:47Z) - Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。
この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文 参考訳（メタデータ） (2021-10-12T19:28:39Z) - Physics-Based Deep Learning for Fiber-Optic Communication Systems [10.630021520220653]
非線形シュリンガー方程式(NLSE)により制御される光ファイバー通信システムのための新しい機械学習手法を提案する。
本研究の主目的は,NLSEの数値解法として一般的なスプリットステップ法(SSM)が,深い多層ニューラルネットワークと同じ機能を有することである。
我々は、SSMをパラメータ化し、ニューラルネットワークの重み行列と同様、線形ステップを一般線形関数として見ることにより、この接続を利用する。
論文 参考訳（メタデータ） (2020-10-27T12:55:23Z) - LOCUS: A Novel Decomposition Method for Brain Network Connectivity
Matrices using Low-rank Structure with Uniform Sparsity [8.105772140598056]
ネットワーク指向の研究は多くの科学分野で人気が高まっている。
神経科学研究において、画像に基づくネットワーク接続対策が脳組織の鍵となっている。
論文 参考訳（メタデータ） (2020-08-19T05:47:12Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z)
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。