論文の概要: Group ICA 2.0: Closing the Gap Between Subjects and Group Latent Decomposition with Copula-Linked Group ICA (CoLiG-ICA)
- arxiv url: http://arxiv.org/abs/2608.16029v1
- Date: Mon, 17 Aug 2026 02:48:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.507574
- Title: Group ICA 2.0: Closing the Gap Between Subjects and Group Latent Decomposition with Copula-Linked Group ICA (CoLiG-ICA)
- Title（参考訳）: ICA 2.0グループ:CoLiG-ICAとCopula-Linked Group ICA間のギャップを解消
- Abstract要約: 群独立成分分析(gICA)は高次元機能MRIデータを解釈可能な脳ネットワークに分解するために広く用いられている。
我々は,テンプレートリンク,コホートのみ,主観のみの脳ネットワークを共同で推定するアルゴリズムであるCopula-Linked Group ICA(CoLiG-ICA)を紹介する。
UCLA-CNPデータセットからの静止状態fMRIデータを用いたCoLiG-ICAの評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Group Independent Component Analysis (gICA) is widely used to decompose high-dimensional functional MRI data into interpretable brain networks. However, conventional gICA primarily identifies components shared across subjects. This group-level assumption can limit the recovery of networks present only in individuals or subject subsets, reducing sensitivity to intersubject heterogeneity in clinical neuroimaging datasets. We introduce Copula-Linked Group ICA (CoLiG-ICA), an algorithm in the Group ICA 2.0 framework that jointly estimates template-linked, cohort-only, and subject-only brain networks within a unified model. CoLiG-ICA combines ICA-based spatial decomposition, copula-based dependence modeling, and deep learning optimization to preserve the consistency and interpretability of template-constrained ICA while enabling free components beyond the reference networks. By linking subject decompositions to shared templates and jointly estimating cohort-only and subject-only sources, CoLiG-ICA represents individual variability not captured by conventional group priors. We evaluate CoLiG-ICA using resting-state fMRI data from the UCLA-CNP dataset and compare it with conventional constrained ICA in estimating template-linked components, discovering additional free components, improving component independence, and capturing subject-level variability beyond the shared group prior. Compared with MOO-ICAR, CoLiG-ICA showed significantly lower intercomponent spatial dependence, indicating improved subject-level component independence, and significantly reduced motion-related variance in the template-linked components. Additionally, in a schizophrenia-only group analysis, CoLiG-ICA identified three additional resting-state networks beyond the 53 template-linked NeuroMark components: one sensorimotor and two visual networks.
- Abstract（参考訳）: 群独立成分分析(gICA)は高次元機能MRIデータを解釈可能な脳ネットワークに分解するために広く用いられている。
しかし、従来のgICAは主に被験者間で共有されるコンポーネントを識別する。
このグループレベルの仮定は、個人またはサブセットにのみ存在するネットワークの回復を制限することができ、臨床神経画像データセットにおける異種間への感受性を低下させる。
我々は,テンプレートリンク,コホートのみ,主観のみの脳ネットワークを統一モデル内で共同で推定するアルゴリズムであるCopula-Linked Group ICA(CoLiG-ICA)を紹介する。
CoLiG-ICAは、ICAベースの空間分解、コプラに基づく依存性モデリング、ディープラーニング最適化を組み合わせて、テンプレート制約付きICAの一貫性と解釈性を保ちながら、参照ネットワークを超えて自由なコンポーネントを可能にする。
CoLiG-ICAは、共有テンプレートに被写体分解をリンクさせ、コホートのみおよび被写体のみのソースを共同で推定することにより、従来のグループプリエントによって捉えられていない個々の変動を表現している。
我々は、UCLA-CNPデータセットからの静止状態fMRIデータを用いてCoLiG-ICAを評価し、テンプレートリンクされたコンポーネントを推定し、追加のフリーコンポーネントを発見し、コンポーネントの独立性を向上し、以前の共有グループを超えて被写体レベルの変動を捉え、従来の制約ICAと比較した。
MOO-ICARと比較すると,CoLiG-ICAは空間依存性が著しく低下し,主観レベル成分の独立性が向上し,テンプレート結合成分の運動関連ばらつきが著しく減少した。
さらに、統合失調症のみの集団分析において、CoLiG-ICAは53のテンプレートリンクされたNeuroMarkコンポーネント以外の3つの静止状態ネットワークを同定した。
関連論文リスト
- Enhancing Blind Source Separation with Dissociative Principal Component Analysis [0.0]
疎主成分分析(sPCA)は、負荷ベクトル(LV)に間隔制約を課すことにより主成分(PC)の解釈可能性を高める
この制限を克服するために、sPCAの解釈可能性の優位性を保ちながら、ソース抽出能力を著しく向上する洗練されたアプローチを提案する。
このアルゴリズムは2つのアルゴリズムからなる: 解離型PCA (DPCA1 と DPCA2)。
論文 参考訳（メタデータ） (2024-11-19T08:24:01Z) - GCoNet+: A Stronger Group Collaborative Co-Salient Object Detector [156.43671738038657]
本稿では,GCoNet+と呼ばれる新しいグループ協調学習ネットワークを提案する。
GCoNet+は自然界における共存対象を効果的かつ効率的に識別することができる。
論文 参考訳（メタデータ） (2022-05-30T23:49:19Z) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z) - Differentiated Relevances Embedding for Group-based Referring Expression
Comprehension [57.52186959089885]
表現理解の参照の鍵は、モーダルな視覚言語的関連を捉えることである。
本稿では,グループ内オブジェクト-表現ペアを異なる優先順位で適応的に割り当てるマルチグループ自己評価関連学習スキーマを提案する。
3つの標準RECベンチマーク実験により,本手法の有効性と優位性を示した。
論文 参考訳（メタデータ） (2022-03-12T09:09:48Z) - Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。
このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。
我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
論文 参考訳（メタデータ） (2021-10-26T08:54:41Z) - Feature Grouping and Sparse Principal Component Analysis [23.657672812296518]
Grouping and Sparse principal Analysis (SPCA) はデータ処理次元の削減に広く利用されている。
FGSPCAは、荷重が不均一な同種群に属することを許容し、空間性は特別な場合である。
論文 参考訳（メタデータ） (2021-06-25T15:08:39Z) - Joint estimation of multiple Granger causal networks: Inference of
group-level brain connectivity [8.122270502556374]
本稿では,複数のGrangerグラフィカルモデルの合同学習について検討し,複数の時系列にわたって基礎となる差分Granger因果関係構造を明らかにする。
また,ADHD-200データセットから利用可能な静止状態fMRI時系列にも適用し,因果関係の差異を学習した。
論文 参考訳（メタデータ） (2021-05-15T10:29:02Z) - Group Collaborative Learning for Co-Salient Object Detection [152.67721740487937]
協調物体をリアルタイムで検出できる新しいグループ協調学習フレームワーク(GCoNet)を提案する(16ms)。
CoCA、CoSOD3k、Cosal2015の3つの挑戦的なベンチマークに関する大規模な実験は、我々の単純なGCoNetが10の最先端モデルより優れ、新しい最先端モデルを達成することを実証している。
論文 参考訳（メタデータ） (2021-03-15T13:16:03Z) - CoADNet: Collaborative Aggregation-and-Distribution Networks for
Co-Salient Object Detection [91.91911418421086]
Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。
課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。
我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
論文 参考訳（メタデータ） (2020-11-10T04:28:11Z) - A Joint Network Optimization Framework to Predict Clinical Severity from Resting State Functional MRI Data [3.276067241408604]
静止状態fMRI(rs-fMRI)データから臨床重症度を予測する新しい枠組みを提案する。
フレームワークを2つの別々のデータセット上で10倍のクロスバリデーション設定で検証する。
論文 参考訳（メタデータ） (2020-08-27T23:43:25Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
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。