論文の概要: GLOW: General Linear Models Optimized with Ward's Method

• arxiv url: http://arxiv.org/abs/2610.24085v1
• Date: Fri, 16 Oct 2026 18:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:13:55.253198
• Title: GLOW: General Linear Models Optimized with Ward's Method
• Title（参考訳）: GLOW:ウォード法で最適化された一般線形モデル
• Abstract要約: 領域ベース分析は、正確に1つのアトラス領域を満たさない任意の効果を希釈または分割する。 Voxel-Based Analysisは、1ボクセル当たりのGLMと、隣接する重要なボクセルに適合する。 しかし、近隣のボクセルはGLMを共有することなく統計を共有できる。 GLOWはGLMエラーを最小限に抑えてネスト領域の階層を構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuroimaging seeks brain regions whose imaging features correlate with variables of interest (e.g., diagnosis, age), usually via the General Linear Model (GLM). Region-Based Analysis dilutes or splits any effect that does not fill exactly one atlas region. Voxel-Based Analysis, with Cluster Extent Thresholding and Threshold-Free Cluster Enhancement built on it, fits a GLM per voxel and groups adjacent significant voxels. But neighboring voxels can share a statistic without sharing a GLM, which a per-voxel statistic cannot detect. GLOW (General Linear Models Optimized with Ward's method) instead builds a hierarchy of nested regions by greedily minimizing GLM error (provably a special case of Ward's clustering). Maximum-statistic (Westfall-Young) permutation controls family-wise error over all regions. Significance spreads to an effect's nested fragments and the regions containing it; a final pruning step seeks whole, pure effect extents. We plant synthetic effects of known extent and varying strength in Human Connectome Project (HCP) diffusion images and in white noise. Pruning delivers wholeness: GLOW returns a spatially consistent effect as one region on 57% of HCP trials, the best baseline on 35%; baselines recover comparable volume, but in many pure pieces. The cost is positive predictive value (PPV): GLOW is more sensitive (by up to 0.29), but its regions overrun the effect, mostly because no hierarchy region isolates it, not because of pruning. On HCP, GLOW's mean Dice gains 0.059 over the best baseline at weaker effects and gives back 0.005 at stronger ones. On white noise, GLOW trails by up to 0.61 Dice: its hierarchy holds the effect, but its permutation test does not certify it. Runtime grows roughly linearly with voxel count, about 4.5 times the voxel-wise methods' on the full HCP volume. The PPV loss may trace to the assumption of spatially independent residuals.
• Abstract（参考訳）: ニューロイメージングは、画像の特徴が興味のある変数(例えば、診断、年齢)と相関している脳領域を、通常、一般線形モデル(GLM)を介して探している。 領域ベース分析は、正確に1つのアトラス領域を満たさない任意の効果を希釈または分割する。 Voxelベースの分析では、Cluster Extent ThresholdingとThreshold-Free Cluster Enhancementが組み込まれている。 しかし、近隣のボクセルはGLMを共有することなく統計を共有できる。 GLOW (General Linear Models Optimized with Ward's Method) は、GLMエラー(おそらくウォードのクラスタリングの特殊な場合)を小さくすることで、ネストされた領域の階層を構築する。 最大統計量 (Westfall-Young) の置換は、すべての領域における家庭的エラーを制御する。 重要度はエフェクトのネストされた断片とそれを含む領域に広がり、最後のプルーニングステップは完全な効果範囲を求める。 HCP(Human Connectome Project)拡散画像と白色雑音の合成効果について検討した。 GLOWは、HCPトライアルの57%で1つの領域として空間的に一貫した効果を返します。 コストは正の予測値(PPV): GLOW はより敏感(最大 0.29 まで)であるが、その領域はその効果を圧倒している。 HCPでは、GLOWの平均的なDiceは、より弱い効果で最高のベースラインで0.059を獲得し、より強いベースラインで0.005を返す。 ホワイトノイズでは、GLOW は最大 0.61 Dice まで経過する: その階層は効果を保っているが、置換テストはそれを証明していない。 実行時間は、全HCPボリュームの約4.5倍のボクセル数でほぼ直線的に成長する。 PPV損失は空間的に独立な残基の仮定に遡る可能性がある。

関連論文リスト

• SPARCL: Spatially Adaptive Regional Coverage for Active Learning in Chest X-ray Analysis [3.320895640965475]
  胸部X線病変セグメンテーション(CXR)のアクティブラーニングは高価であり,アクティブラーニング(AL)が不可欠である。 既存のAL戦略では、選択されたサンプルの空間分布を考慮できないため、焦点(大動脈石灰化など)と拡散(結節など)の病理に不整合性が生じる。
  論文  参考訳（メタデータ） (2026-10-13T06:34:50Z)
• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• The segmentation ceiling: why explicit left-ventricular masks do not improve learned ejection-fraction regression [0.0]
  定量的な基準であるセグメンテーション天井を導入し,その有効性を確認した。 フレーム単位のセグメンテーション領域エラーがEFエラーにどのように伝播するかをクローズドな形で導出する。 基準では、フレーム単位の誤差の10%近くが破れているのに対し、代表セグメンタは天井の上の約14%で動作している。
  論文  参考訳（メタデータ） (2026-09-17T05:41:28Z)
• Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
  本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。 OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
  論文  参考訳（メタデータ） (2026-03-19T17:43:12Z)
• PlotChain: Deterministic Checkpointed Evaluation of Multimodal LLMs on Engineering Plot Reading [0.0]
  PlotChainは、大規模言語モデル(MLLM)を評価するための決定論的、ジェネレータベースのベンチマークである。 PlotChainには15のプロットファミリーがあり、450のプロット(家族当たり30)がある。 上位モデルは80.42%(Gemini 2.5 Pro)、79.84%(GPT-4.1)、78.21%(Claude Sonnet 4.5)、GPT-4oは61.59%である。
  論文  参考訳（メタデータ） (2026-01-29T06:08:19Z)
• Projecting Out the Malice: A Global Subspace Approach to LLM Detoxification [73.77171973106567]
  大規模言語モデル(LLM)は例外的な性能を示すが、有害なコンテンツを生成する固有のリスクを生じさせる。 従来の手法では、パラメータの根底にある有害領域を排除できず、敵の攻撃に弱いモデルを残している。 我々は,このグローバルな部分空間をFFNパラメータから識別・排除することで毒性を緩和する軽量な方法であるGLOSSを提案する。
  論文  参考訳（メタデータ） (2026-01-09T09:34:53Z)
• GLC++: Source-Free Universal Domain Adaptation through Global-Local Clustering and Contrastive Affinity Learning [84.54244771470012]
  Source-Free Universal Domain Adaptation (SF-UniDA) は、共通カテゴリに属する「既知の」データを正確に分類することを目的としている。 GLC技術は適応的な1対vsの全グローバルクラスタリングアルゴリズムを含む。 GLC++は、オープンセットシナリオにおいて、GLCの新しいカテゴリクラスタリング精度を4.1%向上させる。
  論文  参考訳（メタデータ） (2024-03-21T13:57:45Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
  我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。 そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。 良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。 我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
  論文  参考訳（メタデータ） (2023-12-25T01:00:58Z)
• Federated Functional Gradient Boosting [75.06942944563572]
  フェデレーション学習における機能最小化に関する研究 FFGB.C と FFGB.L は、特徴分布がより均一になるにつれて収束半径が 0 に縮まる。
  論文  参考訳（メタデータ） (2021-03-11T21:49:19Z)

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。