論文の概要: spd-metrics-id: A Python Package for SPD-Aware Distance Metrics in Connectome Fingerprinting and Beyond
- arxiv url: http://arxiv.org/abs/2510.04438v1
- Date: Mon, 06 Oct 2025 02:12:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:59.649907
- Title: spd-metrics-id: A Python Package for SPD-Aware Distance Metrics in Connectome Fingerprinting and Beyond
- Title（参考訳）: spd-metrics-id: Connectome FingerprintingおよびBeyondにおけるSPD対応距離メトリックのためのPythonパッケージ
- Authors: Kaosar Uddin,
- Abstract要約: spd-metrics-idは、SPD行列間の距離と発散を計算するPythonパッケージである。
このパッケージは、Alpha-z Bures-Wasserstein、Alpha-Procrustes、affine-invariantian、log-Euclideanなど、様々な幾何学的なメトリクスをサポートしている。
パッケージはhttps://pypi.org/project/spd-metrics-id/で公開されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present spd-metrics-id, a Python package for computing distances and divergences between symmetric positive-definite (SPD) matrices. Unlike traditional toolkits that focus on specific applications, spd-metrics-id provides a unified, extensible, and reproducible framework for SPD distance computation. The package supports a wide variety of geometry-aware metrics, including Alpha-z Bures-Wasserstein, Alpha-Procrustes, affine-invariant Riemannian, log-Euclidean, and others, and is accessible both via a command-line interface and a Python API. Reproducibility is ensured through Docker images and Zenodo archiving. We illustrate usage through a connectome fingerprinting example, but the package is broadly applicable to covariance analysis, diffusion tensor imaging, and other domains requiring SPD matrix comparison. The package is openly available at https://pypi.org/project/spd-metrics-id/.
- Abstract（参考訳）: 対称正定値行列間の距離と発散を計算するためのPythonパッケージであるspd-metrics-idを提案する。
特定のアプリケーションに焦点を当てた従来のツールキットとは異なり、spd-metrics-idはSPD距離計算のための統一的で拡張性があり再現可能なフレームワークを提供する。
Alpha-z Bures-Wasserstein, Alpha-Procrustes, affine-invariant Riemannian, log-Euclideanなど,さまざまな幾何学的メトリクスをサポートし,コマンドラインインターフェースとPython APIを通じてアクセス可能である。
再現性はDockerイメージとZenodoアーカイブを通じて保証される。
我々はコネクトームフィンガープリントの例を通して使用法を説明するが、このパッケージは共分散解析、拡散テンソルイメージング、その他のSPDマトリクス比較を必要とする領域に広く適用可能である。
パッケージはhttps://pypi.org/project/spd-metrics-id/で公開されている。
関連論文リスト
- SMLNet: A SPD Manifold Learning Network for Infrared and Visible Image Fusion [60.18614468818683]
マルチモーダル画像融合のための新しいSPD(対称正定値)多様体学習を提案する。
我々のフレームワークは現在の最先端手法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2024-11-16T03:09:49Z) - Seg-metrics: a Python package to compute segmentation metrics [0.6827423171182151]
textttseg-metricsは、標準MISモデル評価のためのオープンソースのPythonパッケージである。
textttseg-metricsは複数のファイルフォーマットをサポートし、Python Package Index (PyPI)を通じて簡単にインストールできる
論文 参考訳（メタデータ） (2024-01-12T16:30:54Z) - PyPOTS: A Python Toolkit for Machine Learning on Partially-Observed Time Series [20.491714178518155]
PyPOTSは、データマイニングと分析のためのオープンソースのライブラリである。
5つのタスクに分類される多様なアルゴリズムに簡単にアクセスできる。
PyPOTSはPyPI、Anaconda、Dockerで利用できる。
論文 参考訳（メタデータ） (2023-05-30T07:57:05Z) - Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。
実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-03-26T18:31:52Z) - DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。
固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文 参考訳（メタデータ） (2022-05-04T08:41:59Z) - PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。
PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。
PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
論文 参考訳（メタデータ） (2022-01-12T07:32:36Z) - Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。
textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。
パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
論文 参考訳（メタデータ） (2021-09-06T16:46:38Z) - Geomstats: A Python Package for Riemannian Geometry in Machine Learning [5.449970675406181]
非線形方程式の計算と統計のためのオープンソースのPythonツールボックスであるGeomstatsを紹介した。
オブジェクト指向で広範な単体テスト実装を提供しています。
微分幾何学と統計学の研究を促進するため,Geomstatsは信頼性の高いビルディングブロックを提供する。
ソースコードはMITライセンスのもと、urlgeomstats.aiで無料で入手できる。
論文 参考訳（メタデータ） (2020-04-07T20:41:50Z)
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。