論文の概要: Different Algorithms (Might) Uncover Different Patterns: A Brain-Age
Prediction Case Study
- arxiv url: http://arxiv.org/abs/2402.09464v1
- Date: Thu, 8 Feb 2024 19:55:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 12:50:13.663222
- Title: Different Algorithms (Might) Uncover Different Patterns: A Brain-Age
Prediction Case Study
- Title(参考訳): 異なるアルゴリズム(ミット)が異なるパターンを発見する:脳年齢予測ケーススタディ
- Authors: Tobias Ettling, Sari Saba-Sadiya, Gemma Roig
- Abstract要約: 脳波研究による脳年齢予測の確立された仮説が、アルゴリズム全体にわたって検証されるかどうかを検討する。
使用した特定のデータセットに対して最先端のパフォーマンスを達成したモデルはほとんどありません。
- 参考スコア(独自算出の注目度): 8.597209503064128
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning is a rapidly evolving field with a wide range of
applications, including biological signal analysis, where novel algorithms
often improve the state-of-the-art. However, robustness to algorithmic
variability - measured by different algorithms, consistently uncovering similar
findings - is seldom explored. In this paper we investigate whether established
hypotheses in brain-age prediction from EEG research validate across
algorithms. First, we surveyed literature and identified various features known
to be informative for brain-age prediction. We employed diverse feature
extraction techniques, processing steps, and models, and utilized the
interpretative power of SHapley Additive exPlanations (SHAP) values to align
our findings with the existing research in the field. Few of our models
achieved state-of-the-art performance on the specific data-set we utilized.
Moreover, analysis demonstrated that while most models do uncover similar
patterns in the EEG signals, some variability could still be observed. Finally,
a few prominent findings could only be validated using specific models. We
conclude by suggesting remedies to the potential implications of this lack of
robustness to model variability.
- Abstract(参考訳): 機械学習は、生物信号分析を含む幅広い応用を持つ急速に進化する分野であり、新しいアルゴリズムはしばしば最先端技術を改善する。
しかし、異なるアルゴリズムによって測定され、一貫して類似した発見を明らかにするアルゴリズムの変動に対する堅牢性は、ほとんど探求されていない。
本稿では,脳波研究による脳年齢予測の確立された仮説が,アルゴリズム全体にわたって検証されているかを検討する。
まず,文献調査を行い,脳年齢予測に有用な特徴を明らかにした。
我々は,様々な特徴抽出手法,処理手順,モデルを用い,shapley additive explanations (shap) 値の解釈力を利用して既存の研究と一致させた。
使用した特定のデータセットに対して最先端のパフォーマンスを達成したモデルはほとんどありません。
さらに、分析により、ほとんどのモデルが脳波信号に類似したパターンを発見できるが、いくつかの変動は観測できることを示した。
最後に、いくつかの顕著な発見は特定のモデルを使ってのみ検証できる。
結論として,モデル変動に対するロバスト性の欠如による潜在的な影響に対する修正を提案する。
関連論文リスト
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳(メタデータ) (2024-11-02T07:06:53Z) - Benchmarking Reliability of Deep Learning Models for Pathological Gait Classification [2.1548132286330453]
最近研究者たちは、機械学習アルゴリズムの進歩を活用して、歩行変化の症状を検出することを試みた。
本稿では,翻訳を阻害するギャップを同定するための既存手法について分析する。
我々は,複数の病的歩行のカテゴリを確実に区別できるAMS-GCN (Asynchronous Multi-Stream Graph Convolutional Network) という強力なベースラインを提案する。
論文 参考訳(メタデータ) (2024-09-20T16:47:45Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A
Benchmarking Study [0.6291443816903801]
本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。
本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
論文 参考訳(メタデータ) (2024-02-11T19:12:51Z) - Incorporating Prior Knowledge in Deep Learning Models via Pathway
Activity Autoencoders [5.950889585409067]
本稿では,癌におけるRNA-seqデータのための,事前知識に基づく新しいディープオートエンコーディングフレームワークPAAEを提案する。
機能セットが小さいにもかかわらず,PAAEモデルとPAAEモデルでは,一般的な手法と比較して,アウト・オブ・セットの再現性が向上していることを示す。
論文 参考訳(メタデータ) (2023-06-09T11:12:55Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Investigating the Impact of Model Misspecification in Neural
Simulation-based Inference [1.933681537640272]
本研究では,様々なモデルの誤識別が存在する場合のニューラルネットワークSBIアルゴリズムの挙動について検討する。
ミスセグメンテーションは、パフォーマンスに非常に有害な影響を及ぼす可能性があることに気付きました。
我々は、ニューラルネットワークSBIアルゴリズムが正確な結論を導出するために頼らなければならない場合、モデルの誤特定に対処するために新しいアプローチが必要であると結論付けた。
論文 参考訳(メタデータ) (2022-09-05T09:08:16Z) - A method for comparing multiple imputation techniques: a case study on
the U.S. National COVID Cohort Collaborative [1.259457977936316]
統計的解析の文脈において、欠落データを扱うための戦略を数値的に評価する。
このアプローチは、最も有効でパフォーマンスの低いデータハンドリング戦略を効果的に強調することができる。
論文 参考訳(メタデータ) (2022-06-13T19:49:54Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Rethinking Generalization of Neural Models: A Named Entity Recognition
Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。
詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。
本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文 参考訳(メタデータ) (2020-01-12T04:33:53Z) - CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。
複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。
探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
論文 参考訳(メタデータ) (2020-01-08T17:37:01Z)
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。