論文の概要: Uncovering communities of pipelines in the task-fMRI analytical space

• arxiv url: http://arxiv.org/abs/2312.06231v3
• Date: Tue, 18 Jun 2024 07:52:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-20 04:44:38.257653
• Title: Uncovering communities of pipelines in the task-fMRI analytical space
• Title（参考訳）: タスクfMRI解析空間におけるパイプライン群集の探索
• Authors: Elodie Germani, Elisa Fromont, Camille Maumet,
• Abstract要約: 同様の結果、特に特定のパラメータを共有するパイプラインのサブセットがあることが示されています。 これらのパイプライン・ツー・ピペリンパターンは参加者のグループ間で安定しているが、異なるタスクをまたぐものではない。 コミュニティ間の差異を可視化することにより、パイプライン空間は主に脳の活性化領域の大きさによって駆動されることを示す。
• 参考スコア（独自算出の注目度）: 0.9217021281095907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analytical workflows in functional magnetic resonance imaging are highly flexible with limited best practices as to how to choose a pipeline. While it has been shown that the use of different pipelines might lead to different results, there is still a lack of understanding of the factors that drive these differences and of the stability of these differences across contexts. We use community detection algorithms to explore the pipeline space and assess the stability of pipeline relationships across different contexts. We show that there are subsets of pipelines that give similar results, especially those sharing specific parameters (e.g. number of motion regressors, software packages, etc.). Those pipeline-to-pipeline patterns are stable across groups of participants but not across different tasks. By visualizing the differences between communities, we show that the pipeline space is mainly driven by the size of the activation area in the brain and the scale of statistic values in statistic maps.
• Abstract（参考訳）: 機能的磁気共鳴イメージングにおける解析的ワークフローは、パイプラインの選択方法に関する限られたベストプラクティスで非常に柔軟である。 異なるパイプラインを使用することで異なる結果がもたらされることが示されているが、これらの違いを駆動する要因や、コンテキスト間の差異の安定性についてはまだ理解されていない。 コミュニティ検出アルゴリズムを使用して、パイプライン空間を探索し、さまざまなコンテキストにわたるパイプライン関係の安定性を評価します。 特に、特定のパラメータ(例えば、モーションレグレッタの数、ソフトウェアパッケージなど)を共有するパイプラインには、同様の結果をもたらすサブセットがあることが示されています。 これらのパイプライン・ツー・ピペリンパターンは参加者のグループ間で安定しているが、異なるタスクをまたぐものではない。 コミュニティ間の差異を可視化することにより,脳内の活性化領域の大きさと統計地図における統計値のスケールによって,パイプライン空間が駆動されることを示す。

関連論文リスト

• Mitigating analytical variability in fMRI results with style transfer [0.9217021281095907]
  我々は、パイプラインをデータのスタイルコンポーネントとみなすことができると仮定し、パイプライン間のデータ変換に異なる生成モデルを使用することを提案する。 我々は、DMベースの新しい教師なしマルチドメイン画像-画像遷移フレームワークを設計し、3次元fMRI統計図の作成を制約する。
  論文  参考訳（メタデータ） (2024-04-04T07:49:39Z)
• Trusted Provenance of Automated, Collaborative and Adaptive Data Processing Pipelines [2.186901738997927]
  ソリューションアーキテクチャと、Provenance Holderと呼ばれるサービスのコンセプト実装の証明を提供しています。 Provenance Holderは、コラボレーティブで適応的なデータ処理パイプラインを信頼できる方法で実現可能にする。
  論文  参考訳（メタデータ） (2023-10-17T17:52:27Z)
• Using Set Covering to Generate Databases for Holistic Steganalysis [2.089615335919449]
  我々は、CSM(Cover Source Mismatch)の起源を研究するために、処理パイプラインのグリッドを探索する。 集合被覆グリードアルゴリズムを用いて、集合内の代表とパイプライン間の最大の後悔を最小限に抑える代表パイプラインを選択する。 我々の分析は、多様性を育むためには、デノイング、シャープニング、ダウンサンプリングといったパラメータが重要であることも示しています。
  論文  参考訳（メタデータ） (2022-11-07T10:53:02Z)
• Sound Event Classification in an Industrial Environment: Pipe Leakage Detection Use Case [3.9414768019101682]
  産業環境におけるパイプ漏れ検出のための多段階機械学習パイプラインを提案する。 提案されたパイプラインは複数のステップを適用し、それぞれが環境の課題に対処する。 その結果, 精度99%, F1スコア0.93, 0.9の優れた結果が得られた。
  論文  参考訳（メタデータ） (2022-05-05T15:26:22Z)
• GFlowNet Foundations [66.69854262276391]
  Generative Flow Networks (GFlowNets) は、多様な候補をアクティブな学習コンテキストでサンプリングする方法として導入された。 GFlowNetのさらなる理論的性質について述べる。
  論文  参考訳（メタデータ） (2021-11-17T17:59:54Z)
• Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
  本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。 このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
  論文  参考訳（メタデータ） (2020-11-10T09:53:20Z)
• Underspecification Presents Challenges for Credibility in Modern Machine Learning [95.90009829265297]
  深層学習など、現代のMLパイプラインでは、過小評価が一般的である。 ここでは、そのような予測器がデプロイメントドメインで非常に異なる振る舞いをすることができることを示す。 この曖昧さは、現実の不安定性とモデルの振る舞いを損なう可能性がある。
  論文  参考訳（メタデータ） (2020-11-06T14:53:13Z)
• MLCask: Efficient Management of Component Evolution in Collaborative Data Analytics Pipelines [29.999324319722508]
  マシンラーニングパイプラインのデプロイ時に発生する2つの大きな課題に対処し、エンドツーエンド分析システムMLCaskのバージョニング設計で対処する。 我々は,再利用可能な履歴記録とパイプライン互換性情報を用いて,パイプライン探索木を刈り取ることで,メートル法駆動のマージ操作を定義し,高速化する。 MLCaskの有効性は、いくつかの実世界の展開事例に関する広範な研究を通じて評価される。
  論文  参考訳（メタデータ） (2020-10-17T13:34:48Z)
• Learning to Sample with Local and Global Contexts in Experience Replay Buffer [135.94190624087355]
  遷移の相対的重要性を計算できる学習に基づく新しいサンプリング手法を提案する。 本研究の枠組みは, 様々な非政治強化学習手法の性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:12:56Z)
• Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
  本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。 我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
  論文  参考訳（メタデータ） (2020-07-08T07:44:00Z)
• Rethinking Learning-based Demosaicing, Denoising, and Super-Resolution Pipeline [86.01209981642005]
  本研究では,パイプラインが学習ベースDN,DM,SRの混合問題に与える影響について,逐次解とジョイント解の両方で検討する。 我々の提案するパイプラインDN$to$SR$to$DMは、他のシーケンシャルパイプラインよりも一貫してパフォーマンスが向上する。 混合問題に対する最先端の性能を実現するために, エンドツーエンドのトリニティ・カメラ・エンハンスメント・ネットワーク(TENet)を提案する。
  論文  参考訳（メタデータ） (2019-05-07T13:19:05Z)

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。