論文の概要: Bayesian Feature Extraction using Gaussian and Diffused-gamma Priors for High Dimensional Spatio-Temporal Data
- arxiv url: http://arxiv.org/abs/2607.24378v1
- Date: Mon, 27 Jul 2026 12:54:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.421483
- Title: Bayesian Feature Extraction using Gaussian and Diffused-gamma Priors for High Dimensional Spatio-Temporal Data
- Title（参考訳）: 高次元時空間データに対するガウスおよび拡散ガンマ前駆体を用いたベイズ特徴抽出
- Authors: Garrett Frady, Dipak K. Dey, Shariq Mohammed,
- Abstract要約: 本稿では,ガウスとディフューズドガンマを用いた構造的設定のための特徴抽出フレームワークを開発した。
このフレームワークは、正確な特徴選択と推論が必要な高次元構造問題に広く適用できる。
モデルを実装するコードはGitHubから公開されている。
- 参考スコア（独自算出の注目度）: 0.764671395172401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-dimensional data with sparse structure and spatio-temporal dependence arise in many scientific domains. We develop a Bayesian feature-extraction framework for spatio-temporal settings that employs Gaussian and Diffused-gamma priors to induce structured sparsity. The modeling framework specifies a general likelihood via Bregman divergence, enabling compatibility with a range of loss functions and measurement models. Posterior computation is carried out via Markov chain Monte Carlo (MCMC), and we introduce a two-stage feature-extraction procedure based on posterior samples to stabilize selection across space and time. We illustrate the method with a multi-subject electroencephalography (EEG) case study examining the relationship between chronic alcohol exposure and activity in different brain regions. We first fit binary classification models at each time point, then use false discovery rate-controlled screening and subsequent clustering in a two-stage feature-extraction pipeline to identify active brain regions. The analysis demonstrates that our proposed priors improve recovery of sparse features and enhance interpretability in the presence of spatio-temporal dependence. The framework is broadly applicable to high-dimensional, structured problems where accurate feature selection and inference are required. The code to implement the model is publicly available via GitHub.
- Abstract（参考訳）: スパース構造と時空間依存性を持つ高次元データは、多くの科学的領域で発生する。
本稿では,ガウスとディフューズドガンマを用いた時空間設定のためのベイズ的特徴抽出フレームワークを開発し,構造的空間性を誘導する。
モデリングフレームワークは、ブレグマンの発散による一般的な可能性を定義し、損失関数や測定モデルとの整合性を実現する。
後続計算はマルコフ連鎖モンテカルロ (MCMC) を用いて行われ、後続サンプルに基づく2段階の特徴抽出手法を導入し、空間と時間間の選択を安定化させる。
脳波多目的脳波検査(EEG)を用いて,慢性アルコール暴露と脳活動との関係について検討した。
まず、各時点のバイナリ分類モデルに適合し、次に2段階の特徴抽出パイプラインで偽発見率制御スクリーニングとその後のクラスタリングを使用して、アクティブな脳領域を特定します。
解析の結果,提案手法はスパース特性の回復を改善し,時空間依存性の存在下での解釈可能性を高めることが示唆された。
このフレームワークは、正確な特徴選択と推論が必要な高次元構造問題に広く適用できる。
モデルを実装するコードはGitHubから公開されている。
関連論文リスト
- Scalable Bayesian Additive Models for Stellar Flare Detection via Amortized Gaussian Process Inference and Hidden Markov Models [0.0]
本稿では,推論を計算的に抽出可能な生成的サロゲートフレームワークを提案する。
変分オートエンコーダ(VAE)を用いて、セレライトの圧縮表現を事前に学習することにより、高い相関関係を低次元等方多様体にマッピングする。
生成的サロゲートは、セラーライトのような正確な物理核の構造的忠実度を正確に再現することを示す。
論文 参考訳（メタデータ） (2026-06-21T17:20:26Z) - MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。
MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-24T09:23:39Z) - Scalable inference of functional neural connectivity at submillisecond timescales [5.7463683981235185]
Poisson Generalized Linear Model (GLM)は、ニューラルスパイクトレインデータを分析するツールである。
標準実装では、スパイクタイムをバイナリカウントデータに離散化し、時間分解能とスケーラビリティを制限している。
ここではモンテカルロ法(MC)法と近似法(PA)をこれらのモデルの連続的時間的類似に対して開発し,それらの離散的時間的類似よりも有利であることを示す。
論文 参考訳（メタデータ） (2025-10-23T19:53:00Z) - Next-Generation Reservoir Computing for Dynamical Inference [0.0]
本稿では,時系列データから動的システムのモデリングを行うための,次世代貯水池コンピューティングのシンプルでスケーラブルな実装を提案する。
提案手法は、時間遅延埋め込みの擬似ランダム非線形射影を用いて、特徴空間の任意の次元を可能にする。
本手法は,部分的および雑音的な観測のみを用いて,アトラクタ再構成や分岐図推定を含むタスクのベンチマークに応用する。
論文 参考訳（メタデータ） (2025-09-14T16:28:48Z) - Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - BSSAD: Towards A Novel Bayesian State-Space Approach for Anomaly
Detection in Multivariate Time Series [0.0]
ベイジアン状態空間異常検出(BSSAD)と呼ばれる新しい,革新的な異常検出手法を提案する。
提案手法の設計は,ベイズ状態空間アルゴリズムの次の状態予測における強みと,繰り返しニューラルネットワークとオートエンコーダの有効性を組み合わせたものである。
特に,粒子フィルタとアンサンブルカルマンフィルタのベイズ状態空間モデルの利用に着目する。
論文 参考訳（メタデータ） (2023-01-30T16:21:18Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。