論文の概要: Measuring Dependencies between Biological Signals with Temporal Self-supervision, and its Limitations

• arxiv url: http://arxiv.org/abs/2508.02703v1
• Date: Tue, 29 Jul 2025 21:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.567197
• Title: Measuring Dependencies between Biological Signals with Temporal Self-supervision, and its Limitations
• Title（参考訳）: 時間的自己監督による生体信号の依存性測定とその限界
• Authors: Evangelos Sariyanidi, John D. Herrington, Lisa Yankowitz, Pratik Chaudhari, Theodore D. Satterthwaite, Casey J. Zampella, Robert T. Schultz, Russell T. Shinohara, Birkan Tunc,
• Abstract要約: 自己監督的並行性は、2つの信号が依存している場合、時間的に整合したセグメントと不整合したセグメントを区別できるという観察に着想を得ている。 fMRI、生理的、行動的な信号を用いた実験では、コンカレンス(英語版)がこのような広い範囲の信号間の関係を露呈する最初のアプローチであることが示された。
• 参考スコア（独自算出の注目度）: 17.74984497708191
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Measuring the statistical dependence between observed signals is a primary tool for scientific discovery. However, biological systems often exhibit complex non-linear interactions that currently cannot be captured without a priori knowledge regarding the nature of dependence. We introduce a self-supervised approach, concurrence, which is inspired by the observation that if two signals are dependent, then one should be able to distinguish between temporally aligned vs. misaligned segments extracted from them. Experiments with fMRI, physiological and behavioral signals show that, to our knowledge, concurrence is the first approach that can expose relationships across such a wide spectrum of signals and extract scientifically relevant differences without ad-hoc parameter tuning or reliance on a priori information, providing a potent tool for scientific discoveries across fields. However, depencencies caused by extraneous factors remain an open problem, thus researchers should validate that exposed relationships truely pertain to the question(s) of interest.
• Abstract（参考訳）: 観測信号間の統計的依存を測定することは、科学的発見の主要なツールである。 しかしながら、生物系は複雑な非線形相互作用を示すことが多く、依存の性質に関する事前知識がなければ、現在は捕獲できない。 この手法は,2つの信号が依存している場合,時間的に一致している部分と,それらから抽出した不一致部分とを区別できる,という観察に着想を得たものである。 fMRI, 生理的, 行動的信号を用いた実験から, コンカレンス(concurrence, コンカレンス, コンカレンス, コンカレンス)は, このような広い範囲の信号の関連性を露呈し, アドホックなパラメータチューニングや事前情報への依存なしに科学的に関連する相違を抽出し, フィールドをまたいだ科学的発見のための強力なツールを提供することが示唆された。 しかし、余剰要因によって引き起こされる負担は未解決の問題であり、研究者は、暴露された関係が興味のある問題と真に関係していることを検証する必要がある。

関連論文リスト

• Falsification of Unconfoundedness by Testing Independence of Causal Mechanisms [0.6906005491572399]
  本研究では,観測データを用いた設定において,未測定の共起の仮定をfalsifyするアルゴリズムを提案する。 提案手法は, 未測定の凹凸が観察因果機構に依存性を生じさせる可能性を秘めている。 本手法は,シミュレーションデータと半合成データの両方の共振を効率よく検出できることを示す。
  論文  参考訳（メタデータ） (2025-02-10T08:05:44Z)
• Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures [49.1574468325115]
  因果発見(Causal Discovery)は、構成変数の統計的性質を分析することで、この問題に取り組む手法である。 教師付き学習によって得られたことに基づいて,現在の(おそらく誤解を招く)ベースライン結果に疑問を呈する。 その結果、堅牢な相互情報測定を用いて、教師なしの方法でこの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-08-01T09:11:08Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
  Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。 この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
  論文  参考訳（メタデータ） (2023-08-15T01:23:42Z)
• Learning nonparametric latent causal graphs with unknown interventions [18.6470340274888]
  潜在因果グラフが非パラメトリック同定可能な条件を確立する。 隠れ変数の数は分かっていないと仮定し、隠された変数に対して少なくとも1つの未知の介入が必要であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T14:06:35Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• Learning latent causal relationships in multiple time series [0.0]
  多くの系では、因果関係は観測データに線形混合として表される潜在空間に埋め込まれる。 潜伏源を盲目的に識別する手法を提示する。 提案手法は教師なしで、任意の時系列に容易に適用でき、データの背後にある因果関係に光を当てることができる。
  論文  参考訳（メタデータ） (2022-03-21T00:20:06Z)
• Leveraging Pre-Images to Discover Nonlinear Relationships in Multivariate Environments [0.0]
  因果発見は、人工知能を用いた科学的発見において重要な機能を提供する。 多くの実世界の時間観測が互いに非線形に関連していることが判明した。 本手法は,観測が時間によって制限され,非線形に関連している場合に,最先端の因果発見法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-01T22:42:51Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。