論文の概要: Nonparanormal Graph Quilting with Applications to Calcium Imaging
- arxiv url: http://arxiv.org/abs/2305.13491v1
- Date: Mon, 22 May 2023 21:16:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 20:40:55.924040
- Title: Nonparanormal Graph Quilting with Applications to Calcium Imaging
- Title（参考訳）: 非正規グラフキルト法とカルシウムイメージングへの応用
- Authors: Andersen Chang and Lili Zheng and Gautam Dasarthy and Genevera I.
Allen
- Abstract要約: ガウス図形モデルに基づく非正規グラフクィルティングの2つの手法について検討する。
提案手法は, 既存のガウスグラフキルト法と比較して, より科学的に有意な機能的接続推定値が得られる。
- 参考スコア（独自算出の注目度）: 1.1470070927586016
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilistic graphical models have become an important unsupervised learning
tool for detecting network structures for a variety of problems, including the
estimation of functional neuronal connectivity from two-photon calcium imaging
data. However, in the context of calcium imaging, technological limitations
only allow for partially overlapping layers of neurons in a brain region of
interest to be jointly recorded. In this case, graph estimation for the full
data requires inference for edge selection when many pairs of neurons have no
simultaneous observations. This leads to the Graph Quilting problem, which
seeks to estimate a graph in the presence of block-missingness in the empirical
covariance matrix. Solutions for the Graph Quilting problem have previously
been studied for Gaussian graphical models; however, neural activity data from
calcium imaging are often non-Gaussian, thereby requiring a more flexible
modeling approach. Thus, in our work, we study two approaches for nonparanormal
Graph Quilting based on the Gaussian copula graphical model, namely a maximum
likelihood procedure and a low-rank based framework. We provide theoretical
guarantees on edge recovery for the former approach under similar conditions to
those previously developed for the Gaussian setting, and we investigate the
empirical performance of both methods using simulations as well as real data
calcium imaging data. Our approaches yield more scientifically meaningful
functional connectivity estimates compared to existing Gaussian graph quilting
methods for this calcium imaging data set.
- Abstract（参考訳）: 2光子カルシウムイメージングデータからの機能的ニューロン接続の推定など、さまざまな問題に対するネットワーク構造を検出する上で、確率的グラフィカルモデルが重要な教師なし学習ツールとなっている。
しかし、カルシウムイメージングの文脈では、技術上の制限は、関心のある脳の領域で部分的に重なる神経細胞の層を共同記録することしかできない。
この場合、全データのグラフ推定には、多数のニューロンが同時観測を行わない場合のエッジ選択の推論が必要となる。
これは、経験的共分散行列におけるブロック許容性の存在下でグラフを推定しようとするグラフ・キルティング問題につながる。
グラフキルト問題に対する解法はガウスのグラフィカルモデルで研究されてきたが、カルシウムイメージングによる神経活動データはガウスではないことが多いため、より柔軟なモデリングアプローチが必要である。
そこで本研究では,gaussian copulaグラフィカルモデルに基づく非正規グラフのキルト法について,最大帰納法と低ランク法に基づく2つの手法について検討した。
本研究では,従来のガウスの手法と類似した条件下でのエッジリカバリに関する理論的保証を行い,シミュレーションと実データカルシウムイメージングデータを用いて両手法の実証的な性能について検討する。
本手法は,既存のガウスグラフのキルト法と比較して,科学的に有意義な機能的接続推定を行う。
関連論文リスト
- Interpretable and Scalable Graphical Models for Complex Spatio-temporal
Processes [3.469001874498102]
論文は、複雑な時間構造を持つデータと、解釈可能かつ解釈可能な方法で構造を学ぶ確率的グラフィカルモデルに焦点を当てている。
この方法論の実践的応用は、実際のデータセットを用いて検討される。
これには、データを用いた脳接続分析、太陽画像データを用いた宇宙天気予報、Twitterデータを用いた世論の縦断的分析、TalkLifeデータを用いたメンタルヘルス関連の問題のマイニングが含まれる。
論文 参考訳（メタデータ） (2023-01-15T05:39:30Z) - Low-Rank Covariance Completion for Graph Quilting with Applications to Functional Connectivity [8.500141848121782]
多くのカルシウムイメージングデータセットでは、ニューロンの全個体数は同時に記録されるのではなく、部分的に重なるブロックに記録される。
本稿では、まず、低ランクココンプリートを用いた原子核構造行列を暗示するグラフ量子化法について述べる。
カルシウムイメージングデータから接続性を推定するためのこれらの手法の有効性を示す。
論文 参考訳（メタデータ） (2022-09-17T08:03:46Z) - Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。
提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文 参考訳（メタデータ） (2022-07-18T04:34:08Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Gaussian Graphical Model Selection for Huge Data via Minipatch Learning [1.2891210250935146]
グラフィカルモデル選択の問題を解決するために,MPGraph (Minipatch Graph) 推定器を提案する。
MPGraphは、観測とノードの両方の小さなランダムなサブセットに適合する閾値グラフ推定器の一般化である。
本アルゴリズムは有限サンプルグラフ選択の整合性を実現する。
論文 参考訳（メタデータ） (2021-10-22T21:06:48Z) - Thresholded Graphical Lasso Adjusts for Latent Variables: Application to
Functional Neural Connectivity [1.52292571922932]
本稿では,潜在変数の存在下でのグラフ選択問題に対処するためのハードしきい値演算子を提案する。
グラフ選択整合性の観点から,グラフィカルラスソ,近隣選択,CLIME推定器のしきい値化が優れた理論特性を有することを示した。
また, カルシウムイメージングデータを用いた神経科学のケーススタディにより, 機能的神経結合を推定する手法の適用性を示す。
論文 参考訳（メタデータ） (2021-04-13T17:50:26Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - A zero-inflated gamma model for deconvolved calcium imaging traces [10.661692149503788]
カルシウムイメージングは、大きな神経集団の活動を計測するための重要なツールである。
本稿では, カルシウム応答をガンマ分布と点質量の混合として特徴付けるゼロ膨張ガンマ(ZIG)モデルを提案する。
結果のモデルをニューラルエンコーディングと復号化問題に適用する。
論文 参考訳（メタデータ） (2020-06-05T23:29:33Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。