論文の概要: Covariate-guided Bayesian mixture model for multivariate time series
- arxiv url: http://arxiv.org/abs/2301.01373v1
- Date: Tue, 3 Jan 2023 22:04:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 16:07:31.380197
- Title: Covariate-guided Bayesian mixture model for multivariate time series
- Title（参考訳）: 多変量時系列に対する共変量誘導ベイズ混合モデル
- Authors: Haoyi Fu, Lu Tang, Ori Rosen, Alison E. Hipwell, Theodore J. Huppert,
Robert T. Krafty
- Abstract要約: 平滑なスプラインのベイズ混合により,多変量時系列の集合をクラスタリングするグループベース手法を提案する。
本手法は,乳児の情動反応性とストレスからの回復を解明することを目的とした,機能的近赤外分光法(fNIRS)の研究に応用した。
- 参考スコア（独自算出の注目度）: 1.304892050913381
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: With rapid development of techniques to measure brain activity and structure,
statistical methods for analyzing modern brain-imaging play an important role
in the advancement of science. Imaging data that measure brain function are
usually multivariate time series and are heterogeneous across both imaging
sources and subjects, which lead to various statistical and computational
challenges. In this paper, we propose a group-based method to cluster a
collection of multivariate time series via a Bayesian mixture of smoothing
splines. Our method assumes each multivariate time series is a mixture of
multiple components with different mixing weights. Time-independent covariates
are assumed to be associated with the mixture components and are incorporated
via logistic weights of a mixture-of-experts model. We formulate this approach
under a fully Bayesian framework using Gibbs sampling where the number of
components is selected based on a deviance information criterion. The proposed
method is compared to existing methods via simulation studies and is applied to
a study on functional near-infrared spectroscopy (fNIRS), which aims to
understand infant emotional reactivity and recovery from stress. The results
reveal distinct patterns of brain activity, as well as associations between
these patterns and selected covariates.
- Abstract（参考訳）: 脳活動と構造を測定する技術が急速に発展し、現代の脳画像解析の統計手法が科学の発展に重要な役割を担っている。
脳機能を測定するイメージングデータは、通常、多変量時系列であり、画像ソースと被写体の両方で不均一であり、様々な統計的および計算上の課題を引き起こす。
本稿では,平滑化スプラインのベイズ混合による多変量時系列の集まりをクラスタ化するグループベース手法を提案する。
本手法では,各多変量時系列を混合重みの異なる複数の成分の混合と仮定する。
時間非依存な共変体は混合成分と関連付けられており、実験モデルのロジスティック重みによって組み込まれている。
この手法はギブズサンプリングを用いて完全ベイズ的手法で定式化し, 偏差情報基準に基づいて成分数を選択する。
提案手法はシミュレーションによる既存手法と比較し,乳児の感情反応とストレスからの回復を理解することを目的とした機能的近赤外分光(fnirs)の研究に適用した。
その結果、脳活動の異なるパターンと、これらのパターンと選択された共変量との関連が明らかとなった。
関連論文リスト
- A MgNO Method for Multiphase Flow in Porous Media [4.521491894006907]
本研究はMgNOを時間依存性の多孔質媒質流問題に拡張し, 多相流の本質的側面を予測する精度を検証した。
この研究はMgNOが多相流問題を効果的にシミュレートする能力を示し、従来のシミュレーション法と比較してかなりの時間を節約できることを示した。
論文 参考訳（メタデータ） (2024-06-16T11:27:43Z) - Fuse It or Lose It: Deep Fusion for Multimodal Simulation-Based Inference [3.045422936743619]
MultiNPEは、シミュレーションベースの推論において、異なるソースからの異種データをニューラルネットワークと統合する手法である。
我々は,MultiNPEの3つの融合手法を検討し,その性能を3つの挑戦実験で評価した。
論文 参考訳（メタデータ） (2023-11-17T17:43:11Z) - A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis [14.40202378972828]
そこで我々は,MSD-Mixerを提案する。MSD-Mixerは,各レイヤの入力時系列を明示的に分解し,表現することを学ぶマルチスケール分解ミクサーである。
我々は,MSD-Mixerが他の最先端のアルゴリズムよりも効率よく優れていることを示す。
論文 参考訳（メタデータ） (2023-10-18T13:39:07Z) - Kernel-based Joint Independence Tests for Multivariate Stationary and
Non-stationary Time Series [0.6749750044497732]
多変量時系列における共同独立のカーネルベース統計テストを導入する。
提案手法は, 合成例において, 高次依存関係を頑健に発見する方法を示す。
我々の手法はデータの高次相互作用を明らかにするのに役立つ。
論文 参考訳（メタデータ） (2023-05-15T10:38:24Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Contrastive learning of strong-mixing continuous-time stochastic
processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。
拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文 参考訳（メタデータ） (2021-03-03T23:06:47Z) - Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。
このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文 参考訳（メタデータ） (2021-02-04T20:28:44Z) - 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) - Time-Resolved fMRI Shared Response Model using Gaussian Process Factor
Analysis [19.237759421319957]
そこで我々は,S-GPFA(Shared Gaussian Process Factor Analysis)と呼ばれる新しいモデルを導入する。
シミュレーションデータを用いて地中真理潜伏構造を明らかにする上で,本モデルの有効性を実証し,公開可能なRaiderおよびSherlockデータセット上での時間分割マッチングとオブジェクト間類似性の実験的性能を再現した。
論文 参考訳（メタデータ） (2020-06-10T00:15:01Z)
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。