論文の概要: Spectral Differential Network Analysis for High-Dimensional Time Series

• arxiv url: http://arxiv.org/abs/2412.07905v1
• Date: Tue, 10 Dec 2024 20:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:01:50.398961
• Title: Spectral Differential Network Analysis for High-Dimensional Time Series
• Title（参考訳）: 高次元時系列のスペクトル差分ネットワーク解析
• Authors: Michael Hellstern, Byol Kim, Zaid Harchaoui, Ali Shojaie,
• Abstract要約: 逆スペクトル密度の差を2つの条件で推定する手法を開発した。 本手法は,脳波データを用いた合成データ実験,電気脳波データを用いた実験,およびオトゲン刺激と微小脳波データを用いた実験について述べる。
• 参考スコア（独自算出の注目度）: 5.149809293209381
• License:
• Abstract: Spectral networks derived from multivariate time series data arise in many domains, from brain science to Earth science. Often, it is of interest to study how these networks change under different conditions. For instance, to better understand epilepsy, it would be interesting to capture the changes in the brain connectivity network as a patient experiences a seizure, using electroencephalography data. A common approach relies on estimating the networks in each condition and calculating their difference. Such estimates may behave poorly in high dimensions as the networks themselves may not be sparse in structure while their difference may be. We build upon this observation to develop an estimator of the difference in inverse spectral densities across two conditions. Using an L1 penalty on the difference, consistency is established by only requiring the difference to be sparse. We illustrate the method on synthetic data experiments, on experiments with electroencephalography data, and on experiments with optogentic stimulation and micro-electrocorticography data.
• Abstract（参考訳）: 多変量時系列データから派生したスペクトルネットワークは、脳科学から地球科学まで、多くの領域で発生している。 しばしば、これらのネットワークが異なる条件下でどのように変化するかを研究することに興味がある。 例えば、てんかんをよりよく理解するために、脳波データを用いて、患者が発作を経験するときに脳の接続ネットワークの変化を捉えることは興味深いだろう。 一般的なアプローチは、各条件におけるネットワークを推定し、その差を計算することである。 このような推定は、ネットワーク自体が構造においてスパースではない場合や、その違いがある場合など、高次元において不適切に振る舞うことがある。 この観測に基づいて,2つの条件における逆スペクトル密度の差を推定する手法を開発した。 差分に対するL1ペナルティを用いることで、差分をスパースに限定して整合性を確立する。 本手法は,脳波データを用いた合成データ実験,電気脳波データを用いた実験,およびオトゲン刺激と微小脳波データを用いた実験について述べる。

関連論文リスト

• Losing dimensions: Geometric memorization in generative diffusion [10.573546162574235]
  生成拡散における記憶理論を多様体支援データに拡張する。 理論的および実験的な結果から,異なる臨界時間における記憶効果とデータセットサイズにより,異なる部分空間が失われることが示唆された。 おそらく反故意に、ある条件下では、高い分散の部分空間は、暗記効果によって最初に失われることが分かる。
  論文  参考訳（メタデータ） (2024-10-11T11:31:20Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly Detection [2.253268952202213]
  MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。 まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。 このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
  論文  参考訳（メタデータ） (2022-11-01T05:01:34Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Ensemble of Pre-Trained Neural Networks for Segmentation and Quality Detection of Transmission Electron Microscopy Images [0.0]
  この研究では、事前学習されたニューラルネットワークの2種類のアンサンブルが実装された。 アンサンブルは2相混合で氷結晶のセマンティックセグメンテーションを行った。 EAとERのパフォーマンスは,精度,キャリブレーション,不確実性の3つの指標で評価した。
  論文  参考訳（メタデータ） (2022-09-05T11:15:25Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Training robust deep learning models for medical imaging tasks with spectral decoupling [0.0]
  スペクトル分離は、強いスプリアス相関を持つデータセット上でニューラルネットワークのトレーニングを可能にする。 スペクトルデカップリングで訓練されたネットワークは、異なる中心からのデータセットの重量減衰よりも精度を10パーセント向上させる。 その結果、スペクトル分離により、複数の中心にまたがってトレーニング可能なロバストなニューラルネットワークが利用可能であることが判明した。
  論文  参考訳（メタデータ） (2021-03-31T15:47:01Z)
• Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
  機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。 本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。 実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T17:25:12Z)
• Beyond Data Samples: Aligning Differential Networks Estimation with Scientific Knowledge [18.980524563441975]
  提案した推定器は多数の変数に対してスケーラブルであり、鋭い収束率を達成する。 本研究は, 遺伝的ネットワーク同定と脳コネクトーム変化発見において, グループ, 空間, 解剖学的知識を統合することの意義を明らかにするものである。
  論文  参考訳（メタデータ） (2020-04-24T00:01:15Z)

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。