エピソード
ガウスグラフィカルモデルの相違点のテスト:脳接続への応用
代入 Eugene Belilovsky, Gael Varoquaux, Matthew B Blaschko
関数型脳ネットワークは、疎な逆共分散推定器を使用して、ガウス グラフィカル モデル (GGM) を使用したデータから適切に記述および推定されます。 2 つの母集団のサブジェクトの機能接続を比較するには、これらの推定GGMを比較する必要があります。 私たちの目標は、類似した構造を持つことが知られているGGMの違いを特定することです。 スパース推定器のパラメータに対するパラメトリック分布を用いて得られた信頼区間における差分の不確定性を特徴付けします。 スパース ペナルティにより、高次元および低サンプルの設定でも、統計的保証と解釈可能なモデルが可能になります。 スパース モデルの分布を特徴付けすることは、ペナルティによって偏った推定器が生成されるため、本質的に困難です。 最近の作業では、スパルシティの仮定を呼び出して、なげなわなどのスパース推定器からバイアスを効果的に除去します。 これらの分布を使用して、GGM のエッジに信頼区間を与え、その違いを拡張することができます。 ただし、GGM を比較する場合、これらの推定器は、GGM 間で想定される結合構造を利用しません。 脳機能接続の前者に着想を得て、パラメーターの違いが疎であることがわかっている場合に、共同ペナルティの下でパラメーターの違いの分布を導き出します。 これにより、分散を効率的に特徴付けることができる、偏りのあるマルチタスク融合なげなわを紹介します。 次に、デビア化されたなげなわとマルチタスクの融合なげなわを使用して、GGM のエッジ差の信頼区間を取得する方法を示します。 一連の合成例に対して提案された手法と、自閉症の研究のために作成された神経イメージングデータセットを検証します。
関数型脳ネットワークは、疎な逆共分散推定器を使用して、ガウス グラフィカル モデル (GGM) を使用したデータから適切に記述および推定されます。 2 つの母集団のサブジェクトの機能接続を比較するには、これらの推定GGMを比較する必要があります。 私たちの目標は、類似した構造を持つことが知られているGGMの違いを特定することです。 スパース推定器のパラメータに対するパラメトリック分布を用いて得られた信頼区間における差分の不確定性を特徴付けします。 スパース ペナルティにより、高次元および低サンプルの設定でも、統計的保証と解釈可能なモデルが可能になります。 スパース モデルの分布を特徴付けすることは、ペナルティによって偏った推定器が生成されるため、本質的に困難です。 最近の作業では、スパルシティの仮定を呼び出して、なげなわなどのスパース推定器からバイアスを効果的に除去します。 これらの分布を使用して、GGM のエッジに信頼区間を与え、その違いを拡張することができます。 ただし、GGM を比較する場合、これらの推定器は、GGM 間で想定される結合構造を利用しません。 脳機能接続の前者に着想を得て、パラメーターの違いが疎であることがわかっている場合に、共同ペナルティの下でパラメーターの違いの分布を導き出します。 これにより、分散を効率的に特徴付けることができる、偏りのあるマルチタスク融合なげなわを紹介します。 次に、デビア化されたなげなわとマルチタスクの融合なげなわを使用して、GGM のエッジ差の信頼区間を取得する方法を示します。 一連の合成例に対して提案された手法と、自閉症の研究のために作成された神経イメージングデータセットを検証します。
ご意見およびご提案がある場合は、 こちらから問題を送信してください。