論文の概要: A topological classifier to characterize brain states: When shape
matters more than variance
- arxiv url: http://arxiv.org/abs/2303.04231v1
- Date: Tue, 7 Mar 2023 20:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 15:53:31.593589
- Title: A topological classifier to characterize brain states: When shape
matters more than variance
- Title（参考訳）: 脳の状態を特徴付ける位相的分類器:形状が分散以上のものであるとき
- Authors: Aina Ferr\`a, Gloria Cecchini, Fritz-Pere Nobbe Fisas, Carles
Casacuberta, Ignasi Cos
- Abstract要約: トポロジカルデータ分析(TDA)は、永続化記述子を用いてデータ雲の形状を研究することを目的としている。
本稿では,データサブセットへの新たな入力の追加によるトポロジカルメトリクスの定量化変化の原理に基づいた,TDAに基づく新しい分類手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the remarkable accuracies attained by machine learning classifiers to
separate complex datasets in a supervised fashion, most of their operation
falls short to provide an informed intuition about the structure of data, and,
what is more important, about the phenomena being characterized by the given
datasets. By contrast, topological data analysis (TDA) is devoted to study the
shape of data clouds by means of persistence descriptors and provides a
quantitative characterization of specific topological features of the dataset
under scrutiny.
In this article we introduce a novel TDA-based classifier that works on the
principle of assessing quantifiable changes on topological metrics caused by
the addition of new input to a subset of data. We used this classifier with a
high-dimensional electro-encephalographic (EEG) dataset recorded from eleven
participants during a decision-making experiment in which three motivational
states were induced through a manipulation of social pressure. After processing
a band-pass filtered version of EEG signals, we calculated silhouettes from
persistence diagrams associated with each motivated state, and classified
unlabeled signals according to their impact on each reference silhouette. Our
results show that in addition to providing accuracies within the range of those
of a nearest neighbour classifier, the TDA classifier provides formal intuition
of the structure of the dataset as well as an estimate of its intrinsic
dimension. Towards this end, we incorporated dimensionality reduction methods
to our procedure and found that the accuracy of our TDA classifier is generally
not sensitive to explained variance but rather to shape, contrary to what
happens with most machine learning classifiers.
- Abstract（参考訳）: 機械学習分類器が複雑なデータセットを教師付きで分離するために達成した顕著な精度にもかかわらず、その操作の大部分は、データの構造に関する情報的直感を提供するために不足しており、さらに重要なのは、与えられたデータセットによって特徴づけられる現象に関するものである。
対照的に、トポロジカルデータ分析(TDA)は、永続記述子を用いてデータ雲の形状を研究し、精査下のデータセットの特定のトポロジ的特徴の定量的評価を提供する。
本稿では,データサブセットへの新たな入力の追加によるトポロジカルメトリクスの定量的変化を評価するための,TDAに基づく新しい分類手法を提案する。
意思決定実験では, 高次元脳波(EEG)データセットを用いて, 社会的圧力の操作により3つの動機づけ状態が誘導された。
脳波信号の帯域通過フィルタを処理した結果,各モチベーション状態に関連する持続性図からシルエットを算出し,各シルエットへの影響に応じてラベルなし信号を分類した。
以上の結果から,TDA分類器は,近傍の分類器の範囲内での精度に加えて,データセットの構造の形式的直観や本質的な次元の推定も提供することがわかった。
この目的のために,本手法に次元削減手法を組み込んだ結果,TDA分類器の精度は,ほとんどの機械学習分類器とは対照的に,説明された分散に敏感ではなく,形状に敏感であることがわかった。
関連論文リスト
- Analyzing Generative Models by Manifold Entropic Metrics [8.477943884416023]
抽出可能な情報理論評価指標を新たに導入する。
EMNISTデータセット上の各種正規化フローアーキテクチャと$beta$-VAEを比較した。
私たちの実験で最も興味深い発見は、トレーニング中に整列および非整合表現に収束する誘導バイアスの観点から、モデルアーキテクチャとトレーニング手順のランク付けです。
論文 参考訳（メタデータ） (2024-10-25T09:35:00Z) - Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳（メタデータ） (2024-09-20T07:41:47Z) - Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-07-20T01:34:13Z) - Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly
Detection with Scale Learning [11.245813423781415]
我々は、データラベルとして特性-スケール-を導入することで、データのための新しいデータ駆動監視を考案する。
スケールは変換された表現にアタッチされたラベルとして機能し、ニューラルネットワークのトレーニングに十分なラベル付きデータを提供する。
本稿では,大規模学習に基づく異常検出手法を提案する。
論文 参考訳（メタデータ） (2023-05-25T14:48:00Z) - Towards a mathematical understanding of learning from few examples with
nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。
我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文 参考訳（メタデータ） (2022-11-07T14:52:58Z) - Metric Distribution to Vector: Constructing Data Representation via
Broad-Scale Discrepancies [15.40538348604094]
本稿では,各データに対するベクトル表現に分布特性を抽出するために, $mathbfMetricDistribution2vec$ という新しい埋め込み方式を提案する。
本研究では,広範囲な実世界構造グラフデータセット上での教師付き予測タスクにおける表現法の適用と有効性を示す。
論文 参考訳（メタデータ） (2022-10-02T03:18:30Z) - On topological data analysis for structural dynamics: an introduction to
persistent homology [0.0]
トポロジカル・データ分析(トポロジカル・データ・アナリティクス)は、長さのスケールでデータの形状を定量化する手法である。
永続ホモロジー(Persistent homology)は、長さのスケールでデータの形状を定量化する手法である。
論文 参考訳（メタデータ） (2022-09-12T10:39:38Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳（メタデータ） (2021-11-25T03:53:43Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Learning from Incomplete Features by Simultaneous Training of Neural
Networks and Sparse Coding [24.3769047873156]
本稿では,不完全な特徴を持つデータセット上で分類器を訓練する問題に対処する。
私たちは、各データインスタンスで異なる機能のサブセット(ランダムまたは構造化)が利用できると仮定します。
新しい教師付き学習法が開発され、サンプルあたりの機能のサブセットのみを使用して、一般的な分類器を訓練する。
論文 参考訳（メタデータ） (2020-11-28T02:20:39Z)
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。