論文の概要: No More Sliding-Windows: Dynamic Functional Connectivity Based On Random Convolutions Without Learning

• arxiv url: http://arxiv.org/abs/2406.16619v2
• Date: Thu, 18 Jul 2024 15:32:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 20:12:48.477601
• Title: No More Sliding-Windows: Dynamic Functional Connectivity Based On Random Convolutions Without Learning
• Title（参考訳）: No more Sliding-Windows: 学習なしのランダム畳み込みに基づく動的関数接続性
• Authors: Yongjie Duan, Zhiying Long,
• Abstract要約: 本稿では,動的機能接続(DFC)の計算手法であるRandConを提案する。 RandConは、学習することなくBOLD信号上で直接畳み込み操作を行い、機能的な接続機能を抽出する。 実データから、この手法は、短時間のウィンドウ内で安定性を維持し、男女差をよりよく識別することを示す。
• 参考スコア（独自算出の注目度）: 1.8416014644193066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared to static functional connectivity, dynamic functional connectivity provides more detailed temporal information. The traditional sliding window method constructs functional connectivity matrices by applying a moving time window across the entire time series to calculate correlations between brain regions. However, as a method of feature extraction, it exhibits significant limitations, such as the dependency of feature dimensions on the window length and the generation of features lacking information from other time points within the window. This paper presents RandCon, a novel method for calculating dynamic functional connectivity (DFC), which employs randomly generated multi-dimensional convolution kernels. This method performs convolution operations directly on the BOLD signal without the need for learning, extracting functional connectivity features. Compared to the sliding window method, RandCon shows notable improvements in performance on simulated data, particularly in terms of temporal accuracy and noise resistance. Results from real data indicate that this method maintains stability within short time windows and better identifies gender differences. Furthermore, we propose a more comprehensive theoretical framework, the multi-dimensional convolution method, where the sliding window method and its variants are specific cases of this method. The proposed method is straightforward and efficient, significantly broadening the scope of dynamic functional connectivity research and offering substantial theoretical and practical potential.
• Abstract（参考訳）: 静的機能接続と比較して、動的機能接続はより詳細な時間情報を提供する。 従来のスライディングウインドウは、時系列全体にわたって移動時間ウインドウを適用して機能的接続行列を構築し、脳領域間の相関を計算する。 しかし,特徴抽出の手法として,ウィンドウ長に対する特徴次元の依存性や,ウィンドウ内の他の時間点からの情報を欠いた特徴の生成など,大きな制約が生じる。 本稿では,ランダムに生成された多次元畳み込みカーネルを用いた動的機能接続(DFC)の計算手法であるRandConを提案する。 本手法は,BOLD信号上で直接畳み込み操作を行う。 スライドウインドウ法と比較して、RandConは、特に時間的精度と耐雑音性の観点から、シミュレーションデータの性能が顕著に向上したことを示す。 実データから、この手法は、短時間のウィンドウ内で安定性を維持し、男女差をよりよく識別することを示す。 さらに,スライディングウインドウ法とその変種を具体例とする,より包括的な理論的枠組みである多次元畳み込み法を提案する。 提案手法は単純かつ効率的であり, 動的機能接続研究の範囲を大きく広げ, 理論的, 実用的可能性を提供する。

関連論文リスト

• State-Free Inference of State-Space Models: The Transfer Function Approach [132.83348321603205]
  状態のない推論では、状態サイズが大きくなると大きなメモリや計算コストは発生しない。 提案した周波数領域転送関数のパラメトリゼーション特性を用いてこれを実現する。 長い畳み込みハイエナベースライン上での言語モデリングにおける難易度の改善を報告した。
  論文  参考訳（メタデータ） (2024-05-10T00:06:02Z)
• Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
  本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。 各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。 頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:58:27Z)
• A Functional approach for Two Way Dimension Reduction in Time Series [13.767812547998735]
  機能的エンコーダと機能的デコーダからなる非線形関数オンファンクション手法を提案する。 提案手法は,関数が観測される時間点だけでなく,機能的特徴の数を減らし,低次元の潜在表現を与える。
  論文  参考訳（メタデータ） (2023-01-01T06:09:15Z)
• Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
  歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。 微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。 最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
  論文  参考訳（メタデータ） (2022-10-03T07:59:42Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)
• DynaMiTe: A Dynamic Local Motion Model with Temporal Constraints for Robust Real-Time Feature Matching [47.72468932196169]
  本稿では,ディスクリプタ入力に非依存な軽量パイプラインDynaMiTeを提案する。 DynaMiTeは、マッチング精度とフレームレートの高いカメラポーズ推定の両方で優れた結果を得る。
  論文  参考訳（メタデータ） (2020-07-31T12:18:18Z)
• UNIPoint: Universally Approximating Point Processes Intensities [125.08205865536577]
  学習可能な関数のクラスが任意の有効な強度関数を普遍的に近似できることを示す。 ニューラルポイントプロセスモデルであるUNIPointを実装し,各イベントの基底関数の和をパラメータ化するために,リカレントニューラルネットワークを用いた。
  論文  参考訳（メタデータ） (2020-07-28T09:31:56Z)
• Deep Learning with Functional Inputs [0.0]
  本稿では,機能データをフィードフォワードニューラルネットワークに統合する手法を提案する。 この手法の副産物は、最適化プロセス中に可視化できる動的な機能的重みの集合である。 このモデルは、新しいデータの予測や真の機能的重みの回復など、多くの文脈でうまく機能することが示されている。
  論文  参考訳（メタデータ） (2020-06-17T01:23:00Z)

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。