論文の概要: Identifying Neural Signatures from fMRI using Hybrid Principal Components Regression

• arxiv url: http://arxiv.org/abs/2509.07300v1
• Date: Tue, 09 Sep 2025 00:13:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.154218
• Title: Identifying Neural Signatures from fMRI using Hybrid Principal Components Regression
• Title（参考訳）: ハイブリッド主成分回帰を用いたfMRIからのニューラルシグナチャの同定
• Authors: Jared Rieck, Julia Wrobel, Joshua L. Gowin, Yue Wang, Martin Paulus, Ryan Peterson,
• Abstract要約: 本報告では, RASO PCRの修飾により, 主成分の指標に直結した正則化ペナルティを付与する。 また,コンポーネントレベルとボクセルレベルのアクティビティを情報パリティフレームワークの下で統合する新しいハイブリッド手法であるJond Sparsity-Ranked LASSO (JSRL)を提案する。
• 参考スコア（独自算出の注目度）: 1.8517986402293622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in neuroimaging analysis have enabled accurate decoding of mental state from brain activation patterns during functional magnetic resonance imaging scans. A commonly applied tool for this purpose is principal components regression regularized with the least absolute shrinkage and selection operator (LASSO PCR), a type of multi-voxel pattern analysis (MVPA). This model presumes that all components are equally likely to harbor relevant information, when in fact the task-related signal may be concentrated in specific components. In such cases, the model will fail to select the optimal set of principal components that maximizes the total signal relevant to the cognitive process under study. Here, we present modifications to LASSO PCR that allow for a regularization penalty tied directly to the index of the principal component, reflecting a prior belief that task-relevant signal is more likely to be concentrated in components explaining greater variance. Additionally, we propose a novel hybrid method, Joint Sparsity-Ranked LASSO (JSRL), which integrates component-level and voxel-level activity under an information parity framework and imposes ranked sparsity to guide component selection. We apply the models to brain activation during risk taking, monetary incentive, and emotion regulation tasks. Results demonstrate that incorporating sparsity ranking into LASSO PCR produces models with enhanced classification performance, with JSRL achieving up to 51.7\% improvement in cross-validated deviance $R^2$ and 7.3\% improvement in cross-validated AUC. Furthermore, sparsity-ranked models perform as well as or better than standard LASSO PCR approaches across all classification tasks and allocate predictive weight to brain regions consistent with their established functional roles, offering a robust alternative for MVPA.
• Abstract（参考訳）: 神経画像解析の最近の進歩は、機能的磁気共鳴イメージングスキャンにおいて、脳の活性化パターンから精神状態の正確な復号を可能にしている。 この目的のために一般的に用いられるツールは、最小の収縮・選択演算子 (LASSO PCR) で正規化された主成分回帰であり、マルチボクセルパターン解析 (MVPA) の一種である。 このモデルは、タスク関連の信号が特定のコンポーネントに集中している場合、すべてのコンポーネントが関係する情報を等しく保持すると仮定する。 このような場合、モデルは、研究中の認知過程に関連する総信号を最大化する主成分の最適セットを選択することに失敗する。 ここでは,タスク関連信号がより分散度の高い成分に集中する可能性が高いという従来の信念を反映して,主成分の指標に直結した正規化ペナルティを許容するLASSO PCRの修正について述べる。 さらに,コンポーネントレベルとボクセルレベルのアクティビティを情報パリティの枠組みの下で統合し,コンポーネント選択を誘導する,新しいハイブリッド手法であるJoint Sparsity-Ranked LASSO (JSRL)を提案する。 リスクテイク、金銭的インセンティブ、感情制御タスクにおいて、脳の活性化にモデルを適用します。 その結果、LASSO PCRに親和性ランキングを組み込むと、分類性能が向上したモデルが生成され、JSRLはクロスバリデーションで最大51.7 %、クロスバリデーションで最大$R^2$および7.3 %の改善が達成された。 さらに、全ての分類タスクにまたがる標準的なLASSO PCR法と同等以上の性能を示し、確立された機能的役割と整合した脳領域に予測重量を割り当て、MVPAの堅牢な代替手段を提供する。

関連論文リスト

• A Weighted Vision Transformer-Based Multi-Task Learning Framework for Predicting ADAS-Cog Scores [1.3700362496838856]
  重み付き視覚変換器(ViT)を用いたマルチタスク学習(MTL)フレームワークを提案し,ADAS-Cogのグローバルスコアを共同で予測する。 提案フレームワークは,ViTを特徴抽出器として統合し,サブスコア比損失重み付けがモデル性能に与える影響を系統的に検討する。
  論文  参考訳（メタデータ） (2025-08-25T02:43:48Z)
• EB-gMCR: Energy-Based Generative Modeling for Signal Unmixing and Multivariate Curve Resolution [0.0]
  EB-gMCRは、データを忠実に再構築できる最小のコンポーネントを自動的に発見するエネルギーベースのディープラーニングソルバである。 最大256個の潜水源を含むノイズの多いデータセットでは、EB-gMCRはR2 >= 0.98 を維持し、地上の真理の5%以内に成分数を回収した。 EB-gMCRは、化学ライブラリ駆動シナリオを含む大規模信号アンミックス解析への実践的な経路を提供する。
  論文  参考訳（メタデータ） (2025-07-31T14:40:33Z)
• Hierarchical Deep Feature Fusion and Ensemble Learning for Enhanced Brain Tumor MRI Classification [3.776159955137874]
  脳磁気共鳴画像(MRI)の包括的前処理とデータ拡張を組み込んだフレームワーク 新規性は二重レベルのアンサンブル戦略(特徴レベルのアンサンブル、分類器レベルのアンサンブル)にある。 2つのパブリックなKaggle MRI脳腫瘍データセットの実験は、このアプローチが最先端の手法を大幅に超えることを示した。
  論文  参考訳（メタデータ） (2025-06-14T05:53:54Z)
• Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning [51.54046200512198]
  Retrieval-augmented Generation (RAG) は、外部の現在の知識を大規模言語モデルに組み込むために広く利用されている。 標準的なRAGパイプラインは、クエリ書き換え、文書検索、文書フィルタリング、回答生成など、いくつかのコンポーネントから構成される。 これらの課題を克服するため,RAGパイプラインを多エージェント協調作業として,各コンポーネントをRLエージェントとして扱うことを提案する。
  論文  参考訳（メタデータ） (2025-01-25T14:24:50Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Generative Principal Component Regression via Variational Inference [2.4415762506639944]
  適切な操作を設計するための1つのアプローチは、予測モデルの重要な特徴をターゲットとすることである。 我々は,そのような情報を潜在空間で表現する,教師付き変分オートエンコーダ(SVAE)に基づく新しい目的を開発する。 シミュレーションでは,gPCRは通常のPCRやSVAEと比較して,操作時のターゲット選択を劇的に改善することを示した。
  論文  参考訳（メタデータ） (2024-09-03T22:38:55Z)
• Provable Risk-Sensitive Distributional Reinforcement Learning with General Function Approximation [54.61816424792866]
  本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。 モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-02-28T08:43:18Z)
• Direct Preference Optimization: Your Language Model is Secretly a Reward Model [119.65409513119963]
  本稿では,RLHFにおける報酬モデルの新たなパラメータ化について紹介する。 DPO(Direct Preference Optimization)と呼ばれる結果のアルゴリズムは、安定的で、性能が高く、計算的にも軽量である。 我々の実験は、DPOが人間の好みに合わせて微調整できるだけでなく、既存の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-29T17:57:46Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Improving Sample and Feature Selection with Principal Covariates Regression [0.0]
  この目的に応用された2つの人気のあるサブセレクション方式に焦点をあてる。 対象情報を組み込むことで,教師付きタスクにおいてより優れた選択が可能となることを示す。 また、単純な教師付き学習モデルの側面を組み込むことで、より複雑なモデルの精度を向上させることも示します。
  論文  参考訳（メタデータ） (2020-12-22T18:52:06Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。