論文の概要: Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications

• arxiv url: http://arxiv.org/abs/2402.03345v1
• Date: Wed, 24 Jan 2024 19:04:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-11 15:38:24.313625
• Title: Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications
• Title（参考訳）: MEG応用のためのスティフェル行列推定による弱教師付き共分散行列アライメント
• Authors: Antoine Collas, R\'emi Flamary, Alexandre Gramfort
• Abstract要約: 本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
• 参考スコア（独自算出の注目度）: 64.20396555814513
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces a novel domain adaptation technique for time series data, called Mixing model Stiefel Adaptation (MSA), specifically addressing the challenge of limited labeled signals in the target dataset. Leveraging a domain-dependent mixing model and the optimal transport domain adaptation assumption, we exploit abundant unlabeled data in the target domain to ensure effective prediction by establishing pairwise correspondence with equivalent signal variances between domains. Theoretical foundations are laid for identifying crucial Stiefel matrices, essential for recovering underlying signal variances from a Riemannian representation of observed signal covariances. We propose an integrated cost function that simultaneously learns these matrices, pairwise domain relationships, and a predictor, classifier, or regressor, depending on the task. Applied to neuroscience problems, MSA outperforms recent methods in brain-age regression with task variations using magnetoencephalography (MEG) signals from the Cam-CAN dataset.
• Abstract（参考訳）: 本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しい領域適応手法を提案する。 ドメイン依存混合モデルと最適なトランスポート領域適応仮定を活用し,対象領域内の豊富なラベルなしデータを活用し,領域間の等価信号分散によるペアリー対応を確立することにより,効果的な予測を実現する。 スティーフェル行列は、観測された信号共分散のリーマン表現から基礎となる信号分散を回復するために必須である。 本稿では,これらの行列,ペアワイズなドメイン関係,およびタスクに応じて予測器,分類器,レグレッサを同時に学習する統合コスト関数を提案する。 神経科学的な問題に適用すると、MSAはCam-CANデータセットからのMEG信号を用いて、タスクの変動を伴う脳-年齢回帰の最近の手法よりも優れている。

関連論文リスト

• Symmetry Discovery for Different Data Types [52.2614860099811]
  等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。 本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。 我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
  論文  参考訳（メタデータ） (2024-10-13T13:39:39Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Regularized Projection Matrix Approximation with Applications to Community Detection [1.3761665705201904]
  本稿では,アフィニティ行列からクラスタ情報を復元するための正規化プロジェクション行列近似フレームワークを提案する。 3つの異なるペナルティ関数について検討し, それぞれが有界, 正, スパースシナリオに対応するように調整した。 合成および実世界の両方のデータセットで行った数値実験により、我々の正規化射影行列近似アプローチはクラスタリング性能において最先端の手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-26T15:18:22Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Label Alignment Regularization for Distribution Shift [63.228879525056904]
  最近の研究は、教師あり学習におけるラベルアライメント特性(LAP)を強調している。 対象領域の予測と最上位特異ベクトルとのアライメントを促進する非教師なし領域適応の正規化法を提案する。 MNIST-USPSドメイン適応や言語間感情分析などのよく知られたタスクにおいて、ドメイン適応ベースラインよりもパフォーマンスが向上したことを報告した。
  論文  参考訳（メタデータ） (2022-11-27T22:54:48Z)
• A hypothesis-driven method based on machine learning for neuroimaging data analysis [0.0]
  脳画像の空間パターンを識別するための機械学習アプローチは、特徴抽出と線形分類タスクに限定されている。 従来の一般線形モデル(GLM)の推定は,一変量分類タスクに関係していることを示す。 我々は, 線形支持ベクトル回帰(SVR-iGLM)から得られるパラメータに基づいて, GLMを用いた改良された統計的検定を導出する。 マルチサイトイニシアチブの実際のデータを用いて、提案されたMLEベースの推論は、統計的パワーと偽陽性の制御を示し、正規Gよりも優れている。
  論文  参考訳（メタデータ） (2022-02-09T11:13:02Z)
• Deep Optimal Transport for Domain Adaptation on SPD Manifolds [9.552869120136005]
  ニューロイメージングデータは、対称性と正の定性という数学的性質を持っている。 従来の領域適応法の適用は、これらの数学的性質が破壊される可能性があるため、困難である。 本稿では,境界分布と条件分布の差分を管理するための幾何学的深層学習に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-15T03:13:02Z)
• Adaptive filters for the moving target indicator system [10.152838128195468]
  適応アルゴリズムの収束性を改善する2つの手法を提案する。 提案手法は, 干渉プラスノイズ比 (SINR) に対する経験的信号に基づく。 シミュレーションデータを用いてその効果を示す。
  論文  参考訳（メタデータ） (2020-12-31T04:22:55Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。