論文の概要: Group-specific discriminant analysis reveals statistically validated sex differences in lateralization of brain functional network

• arxiv url: http://arxiv.org/abs/2404.05781v1
• Date: Mon, 8 Apr 2024 16:36:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 18:48:28.553043
• Title: Group-specific discriminant analysis reveals statistically validated sex differences in lateralization of brain functional network
• Title（参考訳）: グループ特異的判別分析による脳機能ネットワークの側方化における性差の統計的検証
• Authors: Shuo Zhou, Junhao Luo, Yaya Jiang, Haolin Wang, Haiping Lu, Gaolang Gong,
• Abstract要約: Group-Specific Discriminant Analysis (GSDA) は1次分類のために開発された。 Group-Specific Discriminant Analysis (GSDA) は1次分類のために開発された。
• 参考スコア（独自算出の注目度）: 7.01314545449491
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Lateralization is a fundamental feature of the human brain, where sex differences have been observed. Conventional studies in neuroscience on sex-specific lateralization are typically conducted on univariate statistical comparisons between male and female groups. However, these analyses often lack effective validation of group specificity. Here, we formulate modeling sex differences in lateralization of functional networks as a dual-classification problem, consisting of first-order classification for left vs. right functional networks and second-order classification for male vs. female models. To capture sex-specific patterns, we develop the Group-Specific Discriminant Analysis (GSDA) for first-order classification. The evaluation on two public neuroimaging datasets demonstrates the efficacy of GSDA in learning sex-specific models from functional networks, achieving a significant improvement in group specificity over baseline methods. The major sex differences are in the strength of lateralization and the interactions within and between lobes. The GSDA-based method is generic in nature and can be adapted to other group-specific analyses such as handedness-specific or disease-specific analyses.
• Abstract（参考訳）: 側方化は、性差が観察された人間の脳の基本的な特徴である。 神経科学における性特化に関する従来の研究は、典型的には男性と女性のグループ間の一変量統計比較で行われている。 しかし、これらの分析は群特異性の有効検証を欠いていることが多い。 ここでは、機能的ネットワークの側方化における性差を、左と右の機能的ネットワークの1次分類と男性と女性モデルの2次分類からなる二重分類問題としてモデル化する。 性特化パターンを捉えるため,一階分類のためのグループ識別分析(GSDA)を開発した。 2つのパブリックなニューロイメージングデータセットの評価は、機能的ネットワークから性特化モデルを学習する上でGSDAの有効性を示し、ベースライン法よりもグループ特異性を大幅に改善した。 性差の主な要因は、側方化の強さと、葉の内外相互作用である。 GSDAをベースとしたこの手法は、本質的には汎用的であり、ハンドネス特異的または疾患特異的な分析のような他のグループ固有の分析に適応することができる。

関連論文リスト

• The Root Shapes the Fruit: On the Persistence of Gender-Exclusive Harms in Aligned Language Models [58.130894823145205]
  我々はトランスジェンダー、ノンバイナリ、その他のジェンダー・ディバースのアイデンティティを中心とし、アライメント手順が既存のジェンダー・ディバースバイアスとどのように相互作用するかを検討する。 以上の結果から,DPO対応モデルは特に教師付き微調整に敏感であることが示唆された。 DPOとより広範なアライメントプラクティスに合わせたレコメンデーションで締めくくります。
  論文  参考訳（メタデータ） (2024-11-06T06:50:50Z)
• Identifying latent disease factors differently expressed in patient subgroups using group factor analysis [54.67330718129736]
  本稿では,サブグループ特異的およびサブグループ共通潜在因子を明らかにするための新しいアプローチを提案する。 提案手法は,正規化されたホースシュー先行群を用いたスパース群因子解析 (GFA) であり,確率計画法を用いて実装した。
  論文  参考訳（メタデータ） (2024-10-10T13:12:14Z)
• GenderBias-\emph{VL}: Benchmarking Gender Bias in Vision Language Models via Counterfactual Probing [72.0343083866144]
  本稿では,GenderBias-emphVLベンチマークを用いて,大規模視覚言語モデルにおける職業関連性バイアスの評価を行う。 ベンチマークを用いて15のオープンソースLVLMと最先端の商用APIを広範囲に評価した。 既存のLVLMでは男女差が広くみられた。
  論文  参考訳（メタデータ） (2024-06-30T05:55:15Z)
• Slicing Through Bias: Explaining Performance Gaps in Medical Image Analysis using Slice Discovery Methods [5.274804664403783]
  我々はSlice Discovery Methodsを用いて、観測された性能格差の原因に関する仮説とデータの解釈可能な未実行部分集合を同定する。 本研究は, 仮説定式化におけるSDMの有効性を実証し, 既往の男女間パフォーマンスの相違について解説する。
  論文  参考訳（メタデータ） (2024-06-17T23:08:46Z)
• Are Sex-based Physiological Differences the Cause of Gender Bias for Chest X-ray Diagnosis? [2.1601966913620325]
  機械学習を用いた胸部X線診断における性別バイアスの原因について検討した。 特に,乳房組織が肺の露出不足につながるという仮説を考察する。 広範に利用されている2つの公開データセットにおける患者1人あたりの録音の高度に歪んだ分布に対処する新しいサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-09T10:19:51Z)
• The Role of Subgroup Separability in Group-Fair Medical Image Classification [18.29079361470428]
  診断などの系統的バイアスを伴うデータを用いて, サブグループ分離性, サブグループ分離性, 性能劣化の関係について検討した。 私たちの発見は、モデルがどのように偏見を抱くかという問題に新たな光を当て、公正な医療画像AIの開発に重要な洞察を与えました。
  論文  参考訳（メタデータ） (2023-07-06T06:06:47Z)
• Stable Bias: Analyzing Societal Representations in Diffusion Models [72.27121528451528]
  本稿では,テキスト・ツー・イメージ(TTI)システムにおける社会的バイアスを探索する新しい手法を提案する。 我々のアプローチは、プロンプト内の性別や民族のマーカーを列挙して生成された画像の変動を特徴づけることに依存している。 我々はこの手法を利用して3つのTTIシステムによって生成された画像を分析し、そのアウトプットが米国の労働人口層と相関しているのに対して、彼らは常に異なる範囲において、限界化されたアイデンティティを低く表現している。
  論文  参考訳（メタデータ） (2023-03-20T19:32:49Z)
• Towards Explaining Demographic Bias through the Eyes of Face Recognition Models [6.889667606945215]
  データとアルゴリズムの両方に固有のバイアスは、機械学習(ML)ベースの意思決定システムの公平性を最適以下にする。 我々は、異なる人口集団を処理する際に、顔認識モデルの振る舞いの違いを分析する一連の説明可能性ツールを提供することを目標としている。 我々は、アクティベーションマップに基づく高次統計情報を活用して、FRモデルの行動差を特定の顔領域に関連付ける説明可能性ツールを構築する。
  論文  参考訳（メタデータ） (2022-08-29T07:23:06Z)
• rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
  56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。 アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。 ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
  論文  参考訳（メタデータ） (2022-03-31T20:15:22Z)
• LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
  コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。 クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。 毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
  論文  参考訳（メタデータ） (2020-10-06T16:42:51Z)

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。