論文の概要: A numerical variability approach to results stability tests and its
application to neuroimaging
- arxiv url: http://arxiv.org/abs/2307.01373v2
- Date: Mon, 10 Jul 2023 17:36:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 18:26:45.197784
- Title: A numerical variability approach to results stability tests and its
application to neuroimaging
- Title(参考訳): 結果安定性試験における数値変数法とニューロイメージングへの応用
- Authors: Yohan Chatelain, Lo\"ic Tetrel, Christopher J. Markiewicz, Mathias
Goncalves, Gregory Kiar, Oscar Esteban, Pierre Bellec, Tristan Glatard
- Abstract要約: 本稿では,浮動小数点演算のランダムラウンドリングを用いて許容可能な変動境界を決定する,結果安定性試験のための数値変数法を提案する。
広範に使用されているニューロイメージングツールであるfmriprepに安定性テストを適用することにより、画像処理手法の微妙な更新を検出できるほど敏感であり、かつ、アプリケーションの参照バージョン内で数値的変動を受け入れるのに十分な特異性を保ったままであることを示す。
- 参考スコア(独自算出の注目度): 2.1202329976106924
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Ensuring the long-term reproducibility of data analyses requires results
stability tests to verify that analysis results remain within acceptable
variation bounds despite inevitable software updates and hardware evolutions.
This paper introduces a numerical variability approach for results stability
tests, which determines acceptable variation bounds using random rounding of
floating-point calculations. By applying the resulting stability test to
\fmriprep, a widely-used neuroimaging tool, we show that the test is sensitive
enough to detect subtle updates in image processing methods while remaining
specific enough to accept numerical variations within a reference version of
the application. This result contributes to enhancing the reliability and
reproducibility of data analyses by providing a robust and flexible method for
stability testing.
- Abstract(参考訳): データ分析の長期的な再現性を保証するためには、必然的なソフトウェアアップデートとハードウェアの進化にもかかわらず、分析結果が許容できる変動範囲内に留まることを検証する結果安定性テストが必要である。
本稿では,浮動小数点計算のランダム丸め法を用いて許容変動境界を決定する,結果安定テストのための数値変動可能性手法を提案する。
広範に使用されているニューロイメージングツールである \fmriprep に安定性テストを適用することで、画像処理手法の微妙な更新を検出するのに十分な感度を持つとともに、アプリケーションの参照バージョンにおける数値的変動を受け入れるのに十分な特異性を保っていることを示す。
この結果は、安定テストのための堅牢で柔軟な方法を提供することにより、データ解析の信頼性と再現性の向上に寄与する。
関連論文リスト
- On the Selection Stability of Stability Selection and Its Applications [2.263635133348731]
本稿では,安定度選択フレームワークの全体的な安定性を評価するため,確立された安定度推定器の利用を拡大することを目的とする。
安定性推定器は、得られた結果の堅牢性を反映する参照として機能し、安定性を向上させるために最適な正規化値を特定するのに役立つ。
論文 参考訳(メタデータ) (2024-11-14T00:02:54Z) - Stability Evaluation via Distributional Perturbation Analysis [28.379994938809133]
分布摂動に基づく安定性評価基準を提案する。
我々の安定性評価基準は,エフェダデータの腐敗とエフェサブ人口シフトの両方に対処できる。
実証実験により,現実のアプリケーションにまたがる安定性評価基準の実用性を検証する。
論文 参考訳(メタデータ) (2024-05-06T06:47:14Z) - mlscorecheck: Testing the consistency of reported performance scores and
experiments in machine learning [0.0]
我々は、報告された性能スコアと機械学習問題における様々な実験装置との矛盾を識別できる数値的手法を開発した。
これらの一貫性テストは、オープンソースのパッケージmlscorecheckに統合される。
論文 参考訳(メタデータ) (2023-11-13T18:31:48Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。
信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。
我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
論文 参考訳(メタデータ) (2023-06-01T11:52:58Z) - Measuring the Instability of Fine-Tuning [7.370822347217826]
異なるランダムシードを持つ下流タスクにおける微調整済み言語モデルは不安定であることが示されている。
本稿では,SDと他の6つの測定方法について,粒度の異なるレベルでの不安定性を定量的に分析する。
論文 参考訳(メタデータ) (2023-02-15T16:55:15Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳(メタデータ) (2023-01-01T05:02:46Z) - How certain are your uncertainties? [0.3655021726150368]
ディープラーニング手法の出力の不確実性の尺度は、いくつかの点で有用である。
本研究では、これらの不確実性の測定の安定性について、大きさと空間パターンの両方の観点から検討する。
論文 参考訳(メタデータ) (2022-03-01T05:25:02Z) - Cross-validation Confidence Intervals for Test Error [83.67415139421448]
この研究は、クロスバリデーションのための中心極限定理と、学習アルゴリズムの弱い安定性条件下での分散の一貫した推定器を開発する。
結果は、一般的な1対1のクロスバリデーションの選択にとって、初めてのものだ。
論文 参考訳(メタデータ) (2020-07-24T17:40:06Z) - Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。
本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。
我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-06-09T06:56:31Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z)
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。