論文の概要: Improved cross-validated distances for multivariate pattern analysis

• arxiv url: http://arxiv.org/abs/2608.10394v1
• Date: Tue, 11 Aug 2026 02:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.870203
• Title: Improved cross-validated distances for multivariate pattern analysis
• Title（参考訳）: 多変量パターン解析のためのクロスバリデーション距離の改善
• Abstract要約: Guggenmos et al.は、交差有価距離ユークリッド距離または内部修正ピアソン距離の使用を推奨した。 私たちはこれらの距離を改良できることを示します。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Characterizing the dissimilarity of neural representations between experimental conditions, and tracking it across time, is a central goal of multivariate pattern analysis. Guggenmos et al. (2018) assessed the reliability of many of the measures that can be used for that purpose on MEG data and recommended the use of either the cross-validated Euclidean distance or the within-class-corrected Pearson distance. In this commentary, we show that we can improve upon these distances. First, we show that the cross-validated Euclidean distance is equivalent to a sum of between-partition distances and that this equivalence can be leveraged to obtain a generalized variant, with increased reliability and accuracy. Second, we use the relationship between Euclidean distance and Pearson correlation to define a cross-validated correlation distance in a similar way. The resulting distance is more accurate and interpretable than a formulation proposed by Guggenmos and colleagues. Finally, we discuss the relationship between our generalized cross-validation and within-class correction, another strategy often used to increase reliability, and we show that generalized cross-validation results in higher accuracy for the correlation distance.
• Abstract（参考訳）: 実験条件間の神経表現の相違を特徴づけ、それを時間にわたって追跡することは、多変量パターン解析の中心的な目標である。 Guggenmos et al (2018) は、MEGデータでその目的に使用できる多くの尺度の信頼性を評価し、相互に有意なユークリッド距離または内部修正ピアソン距離の使用を推奨した。 このコメンタリーでは、これらの距離を改善することができることを示す。 第一に、有界ユークリッド距離は分割距離の和と同値であり、この同値性を利用して信頼性と精度を向上した一般化変種が得られることを示す。 第2に、ユークリッド距離とピアソン相関の関係を用いて、同様の方法で相互有意相関距離を定義する。 得られた距離はグッゲンモスらによって提唱された定式化よりも正確で解釈可能である。 最後に、一般化されたクロスバリデーションとクラス内補正の関係について論じ、信頼性を高めるためにしばしば使われる別の戦略について論じ、一般化されたクロスバリデーションが相関距離の精度を高めることを示す。

関連論文リスト

• Comparing Labeled Markov Chains: A Cantor-Kantorovich Approach [53.66196601631798]
  最近導入されたカントール・カントロビッチ距離(CK)について検討した。 特に、後者は有限水平全変動距離の割引和として表すことができる。 より正確には、CK距離の正確な計算は#P-hardである。
  論文  参考訳（メタデータ） (2025-11-22T16:02:56Z)
• GeoMM: On Geodesic Perspective for Multi-modal Learning [55.41612200877861]
  本稿では,マルチモーダル学習における測地線距離を新しい距離測定基準として導入する。 我々のアプローチは、現在のマルチモーダル学習に測地距離を適用するための包括的な戦略を取り入れている。
  論文  参考訳（メタデータ） (2025-05-16T13:12:41Z)
• Efficient and Stable Multi-Dimensional Kolmogorov-Smirnov Distance [7.326930455001404]
  確率分布間のコルモゴロフ-スミルノフ距離を多次元設定に拡張する。 分布と分布からのサンプルの距離は, 試料の大きさが大きくなるにつれて0に収束することを示す。
  論文  参考訳（メタデータ） (2025-04-15T15:42:49Z)
• Consistent Estimation of a Class of Distances Between Covariance Matrices [7.291687946822539]
  我々は、それぞれの共分散行列に別々に適用される関数のトレースの和として表現できる距離の族に興味を持っている。 このクラスの距離推定器の挙動に関する統計的解析も行われている。 これらの推定器のガウス性を確立し、対応する手段と分散に対する閉形式表現を提供する中心極限定理を提案する。
  論文  参考訳（メタデータ） (2024-09-18T07:36:25Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• A Framework for Analyzing Cross-correlators using Price's Theorem and Piecewise-Linear Decomposition [5.094549132183797]
  本稿では,片方向線形関数の混合を用いて構築したクロスコレレータを解析できる汎用的な数学的枠組みを提案する。 最も有望なクロスコレレータのいくつかは、Huberの損失関数、マージンプロパゲーション(MP)関数、log-sum-exp(LSE)関数に基づいている。
  論文  参考訳（メタデータ） (2023-04-18T19:03:27Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Fast calculation of Gaussian Process multiple-fold cross-validation residuals and their covariances [0.6091702876917281]
  高速離脱式を複数倍のクロスバリデーションに一般化する。 単純クリグフレームワークと普遍クリグフレームワークの両方において,クロスバリデーション残差の共分散構造を強調した。 本研究の結果は, 高速な多次元クロスバリデーションを可能にし, モデル診断において直接的な結果をもたらす。
  論文  参考訳（メタデータ） (2021-01-08T17:02:37Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Minimax Optimal Estimation of KL Divergence for Continuous Distributions [56.29748742084386]
  Kullback-Leibler の同一および独立に分布するサンプルからの発散は、様々な領域において重要な問題である。 単純で効果的な推定器の1つは、これらのサンプル間の近辺 k に基づいている。
  論文  参考訳（メタデータ） (2020-02-26T16:37:37Z)
• High-Dimensional Independence Testing via Maximum and Average Distance Correlations [4.872570541276082]
  高次元設定における最大距離と平均距離の相関の一貫性特性を特徴付ける。 それぞれのテスト統計の利点を比較し,それぞれのヌル分布を検証し,高速なチ二乗検定手法を提案する。
  論文  参考訳（メタデータ） (2020-01-04T16:21:50Z)
• MALTS: Matching After Learning to Stretch [86.84454964051014]
  我々はマッチングのための解釈可能な距離メートル法を学習し、それによってかなり高い品質のマッチングが得られる。 フレキシブルな距離測定を学習する能力は、解釈可能で、条件付き平均治療効果の推定に有用である。
  論文  参考訳（メタデータ） (2018-11-18T22:29:59Z)

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。