Fugu-MT 論文翻訳(概要): L1-Regularized ICA: A Novel Method for Analysis of Task-related fMRI Data

論文の概要: L1-Regularized ICA: A Novel Method for Analysis of Task-related fMRI Data

arxiv url: http://arxiv.org/abs/2410.13171v1
Date: Thu, 17 Oct 2024 02:54:01 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-18 13:20:51.826966
Title: L1-Regularized ICA: A Novel Method for Analysis of Task-related fMRI Data
Title（参考訳）: L1-regularized ICA:タスク関連fMRIデータ解析のための新しい手法
Authors: Yusuke Endo, Koujin Takeda,
Abstract要約: 本研究では,高次元データから適切な特徴を抽出するために,独立成分分析法(ICA)を提案する。提案手法の有効性について, 合成データおよび実機能的磁気共鳴画像データに適用する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We propose a new method of independent component analysis (ICA) in order to extract appropriate features from high-dimensional data. In general, matrix factorization methods including ICA have a problem regarding the interpretability of extracted features. For the improvement of interpretability, it is considered that sparse constraint on a factorized matrix is helpful. With this background, we construct a new ICA method with sparsity. In our method, the L1-regularization term is added to the cost function of ICA, and minimization of the cost function is performed by difference of convex functions algorithm. For the validity of our proposed method, we apply it to synthetic data and real functional magnetic resonance imaging data.
Abstract（参考訳）: 本研究では,高次元データから適切な特徴を抽出するために,独立成分分析法(ICA)を提案する。一般に、ICAを含む行列分解法は、抽出された特徴の解釈可能性に問題がある。解釈可能性の向上のためには、分解行列上のスパース制約が有用であると考えられる。この背景から、疎性を持つ新しいICA法を構築する。本手法では,ICAのコスト関数にL1正規化項を付加し,凸関数の差分によるコスト関数の最小化を行う。提案手法の有効性について, 合成データおよび実機能的磁気共鳴画像データに適用する。

関連論文リスト

Efficient Estimation of Unique Components in Independent Component Analysis by Matrix Representation [1.0282274843007793]
独立成分分析(ICA)は信号処理や特徴抽出の様々な応用において広く用いられている手法である。本稿では,アルゴリズムを行列表現で再構成することにより,ICAの固有推定を高度に高速化する。人工データセットと脳波データを用いた実験により,提案手法の有効性が検証された。
論文参考訳（メタデータ） (2024-08-30T09:01:04Z)
Generating gradients in the energy landscape using rectified linear type cost functions for efficiently solving 0/1 matrix factorization in Simulated Annealing [7.339479909020814]
本研究では,エネルギー景観に勾配を適用して解法を容易にする手法を提案する。また,探索過程におけるコスト関数の勾配を更新することにより,迅速に解を得る方法を提案する。
論文参考訳（メタデータ） (2023-12-27T04:19:47Z)
Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文参考訳（メタデータ） (2023-10-09T14:30:06Z)
Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文参考訳（メタデータ） (2023-07-08T15:41:48Z)
Nonlinear Feature Aggregation: Two Algorithms driven by Theory [45.3190496371625]
現実世界の機械学習アプリケーションは、膨大な機能によって特徴付けられ、計算やメモリの問題を引き起こす。一般集約関数を用いて特徴量の非線形変換を集約する次元還元アルゴリズム(NonLinCFA)を提案する。また、アルゴリズムを合成および実世界のデータセット上でテストし、回帰および分類タスクを実行し、競合性能を示す。
論文参考訳（メタデータ） (2023-06-19T19:57:33Z)
Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文参考訳（メタデータ） (2022-04-20T21:15:38Z)
Second-order Approximation of Minimum Discrimination Information in Independent Component Analysis [5.770800671793959]
ICA(Independent Component Analysis)は、それぞれの線形混合物から相互に独立したソースを回収することを目的としている。 F astICAは最も成功したICAアルゴリズムの一つである。最小識別情報の2次近似に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-30T01:51:08Z)
Efficient Multidimensional Functional Data Analysis Using Marginal Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文参考訳（メタデータ） (2021-07-30T16:02:15Z)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
Logistic Q-Learning [87.00813469969167]
MDPにおける最適制御の正規化線形プログラミング定式化から導いた新しい強化学習アルゴリズムを提案する。提案アルゴリズムの主な特徴は,広範に使用されているベルマン誤差の代わりとして理論的に音声として機能する,政策評価のための凸損失関数である。
論文参考訳（メタデータ） (2020-10-21T17:14:31Z)
Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。暗黙正則化現象の理論的保証を提供する。
論文参考訳（メタデータ） (2020-07-16T13:27:47Z)

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。