論文の概要: Uncertainty calibration in Bayesian M/EEG source imaging
- arxiv url: http://arxiv.org/abs/2611.06979v1
- Date: Wed, 04 Nov 2026 13:41:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.420372
- Title: Uncertainty calibration in Bayesian M/EEG source imaging
- Title(参考訳): ベイズM/EEG源画像における不確かさ校正
- Abstract要約: M/EEGソースイメージングは正確な局所化と確実な不確実性推定を必要とするが、実証的な校正のために信頼性のある領域はめったに評価されない。
閉形式条件付き後続要約を用いた経験的逆法の不確実性定量化と校正のための枠組みを提案する。
- 参考スコア(独自算出の注目度): 1.7728232380247864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: M/EEG source imaging requires accurate localization and reliable uncertainty estimates, yet posterior credible regions are rarely assessed for empirical calibration. We present a simulation-based framework for uncertainty quantification and calibration of empirical Bayesian inverse methods with closed-form conditional Gaussian posterior summaries. We compare Bayesian minimum norm (BMN) with sLORETA depth weighting and sparse Bayesian learning (SBL) with sparse basis field expansions (S-FLEX). S-FLEX allows retained coefficients to contribute nonzero marginal posterior variance at locations where voxel-wise SBL yields degenerate variances. For BMN, we derive joint source- and noise-variance updates through evidence maximization. We test whether adaptive noise learning yields near-calibrated uncertainties. Both methods retain residual miscalibration, motivating post-hoc isotonic recalibration of credible-region levels using empirical coverage. Simulations assess fixed- and free-orientation models across signal-to-noise ratios (SNR), source sparsity levels, and subject-specific head models, using oracle, baseline-estimated, and adaptively learned noise. Before recalibration, SBL+S-FLEX yields lower Wasserstein localization error, smaller posterior uncertainty, and coverage closer to nominal credibility than BMN+sLORETA. Isotonic recalibration improves both methods, with larger gains for conservative BMN+sLORETA posteriors; transfer across mismatched SNR, sparsity, and head models remains condition dependent. Noise specifications yield broadly consistent reconstruction and uncertainty trends within each estimator. In real auditory MEG data, SBL+S-FLEX provides more focal localization and tighter uncertainties than BMN+sLORETA, suggesting greater statistical power for identifying bilateral auditory sources.
- Abstract(参考訳): M/EEGソースイメージングは正確な局所化と確実な不確実性推定を必要とするが、後部可視領域は経験的校正にはめったに評価されない。
閉形式条件付きガウス的後続サマリーを用いた経験的ベイズ逆法の不確実性定量化と校正のためのシミュレーションに基づくフレームワークを提案する。
ベイズ最小ノルム (BMN) と sLORETA 深度重み付けおよびスパースベイズ学習 (SBL) とスパース基底場拡張 (S-FLEX) を比較した。
S-FLEX は、ボクセルワイズ SBL が縮退する位置において、保持係数が非ゼロ境界後分散に寄与することを可能にする。
BMNの場合、エビデンスを最大化することで、共振源およびノイズ分散の更新を導出する。
適応雑音学習がほぼ校正された不確実性をもたらすかどうかを検証する。
どちらの方法も、実験的なカバレッジを用いて、信頼できる地域レベルの保温後のイソトニックな再校正を動機とする、残留的な誤校正を維持している。
シミュレーションは、信号対雑音比(SNR)、音源空間レベル、主観固有頭部モデル、ベースライン推定、適応学習ノイズを用いて、固定および自由配向モデルを評価する。
再校正前には、SBL+S-FLEX は BMN+sLORETA よりも低いワッサースタイン局在誤差、低い後続の不確実性、および名目上の信頼性に近い範囲が得られる。
イソトニック再校正はどちらの方法も改善し、保守的なBMN+sLORETA後部では大きな利得が得られた。
騒音仕様は、各推定器内で広範囲に一貫した再構成と不確実性傾向をもたらす。
実際の聴覚MEGデータでは、SBL+S-FLEXはBMN+sLORETAよりも局所的局所化と厳密な不確実性を提供し、両聴覚源を識別する統計力が高いことを示唆している。
関連論文リスト
- Incremental-Smoothing-Based ARAIM Protection Levels for Tightly Coupled GNSS/IMU Integration in Urban Canyons [13.57321740611105]
本稿では, FGO後部におけるARAIM溶液の分離とPLを定式化する。
固定ラグ情報行列の現在の状態ブロックのみに現在の擬似配列因子が入るため、断層除去された位置共分散、解分離、名目バイアス伝播は、線形化された状態境界から正確に従う。
ウッドベリーの更新は、選択出力評価によるこれらの量の計算を、故障のない、単一衛星、星座全体、および2階仮説に対して繰り返し全状態反転またはグラフ再最適化で行う。
論文 参考訳(メタデータ) (2026-10-23T07:15:45Z) - Rubric Judgments Lack Uncertainty: Conformal Weighting for LLM Evaluation [45.16601660676727]
不確実性認識重み付け(Uncertainty-Aware Weighting,URW)は、コンフォメーションキャリブレーションによる基準レベルの判定の不確かさを定量化する、トレーニング不要のフレームワークである。
URWはペアの好みの精度を一貫して改善し、より強力な下流アライメントを提供する。
論文 参考訳(メタデータ) (2026-10-15T04:06:12Z) - Adaptive Robust Confidence Sets in High Dimensions [60.353542776481596]
本研究では,不確実性を同時に定量化することにより,情報理論的に最適な適応信頼セットを構築することができることを示す。
統計的には最適であるが、この構成は計算的に不可能である。
論文 参考訳(メタデータ) (2026-10-11T16:00:46Z) - PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。
ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
論文 参考訳(メタデータ) (2026-09-17T17:54:12Z) - IFW-BLS: Dual-Robust Broad Learning System with Intuitionistic Fuzzy Wave Loss [7.2201008524483585]
ブロードラーニングシステムは、特徴ノードと拡張ノードを通じてネットワーク幅を拡大する効率的なランダム化学習モデルである。
しかし、その標準の最小二乗訓練は、2つの異なる方法で脆弱である: (i) ノイズ、外れ値、または破損したラベルによって引き起こされる大きな残留物が目的を支配でき、 (ii) 全てのサンプルは、曖昧または局所的に矛盾している地域にある場合でも、等しく信頼できるものとして扱われる。
本稿では,直観的ファジィウェーブブロードラーニングシステムIFW-BLSを提案する。
論文 参考訳(メタデータ) (2026-09-02T10:42:24Z) - Active Noise Floor Estimation for Reliability-Optimal POMDPs: A Value-of-Noise-Information Approach [0.0]
本稿では,未知の物理雑音パラメータtheta = (sigma_y, sigma_u) に対する認証付きアクティブな曖昧化フレームワークを開発する。
ノイズ情報の価値 (VoNI) は、現実の雑音パラメータではなく、現在の推定値に調整された信頼性カバーを用いて、予測過剰なFRR証明ギャップとして定義する。
論文 参考訳(メタデータ) (2026-07-13T17:16:26Z) - CP4SBI: Local Conformal Calibration of Credible Sets in Simulation-Based Inference [1.8840155706520811]
本研究では,局所ベイズカバレッジを持つ信頼可能な集合を構成するモデルに依存しない共形キャリブレーションフレームワークを開発する。
我々の提案した2つの変種、すなわち回帰木による局所校正とCDFに基づく校正により、任意のスコアリング関数に対して有限サンプルの局所カバレッジを保証する。
論文 参考訳(メタデータ) (2025-08-23T16:13:10Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳(メタデータ) (2021-02-12T18:08:14Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳(メタデータ) (2020-03-22T03:57:38Z)
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。