文献

J-GLOBAL ID：201802250951089596   整理番号：18A0382958

異なるスパース性を用いた複数SICE脳ネットワークの適応統合【Powered by NICT】

Subject-adaptive Integration of Multiple SICE Brain Networks with Different Sparsity

著者 (3件)： Zhang Jianjia (School of Computing and Information Technology, University of Wollongong, Wollongong 2522, Australia) ,  Zhou Luping (School of Computing and Information Technology, University of Wollongong, Wollongong 2522, Australia) ,  Wang Lei (School of Computing and Information Technology, University of Wollongong, Wollongong 2522, Australia)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 63  ページ： 642-652  発行年： 2017年 
JST資料番号： D0611A  ISSN： 0031-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 部分相関推定のための理にかなった方法として,スパース逆共分散推定(SICE)は脳連結性ネットワーク,脳疾患診断のための重要な意味を持つことをモデル化するために採用した。各被験者について,SICE法は自然に種々のスパース性と連結性ネットワークのセットに導く。しかし,既存の方法は,通常,分類のためのそれらから単一ネットワークを選択し,このネットワークの識別力は十分に確立していない。異なるスパース性レベルで連結性ネットワークは,相補的連結性パターンを示し,それは,高い分類性能を達成するために考慮すべきであることを論じた。本論文では,分類のための統一的な表現としての多重SICEネットワークを統合を受ける適応法を提案した。変動を扱う柔軟性をもつ方法を付与するために積分量は各被験者に対して適応的に学習される。SICEネットワークのマニホールド幾何学を尊重すること,Steinカーネルを用いた多様体構造を埋め込むカーネル誘導特徴空間,SICEネットワークの線形統合を可能にする設計されることに起因する。積分量の最適化と統合ネットワークの分類はスパース表現フレームワークを介して行った。筆者らの方法によって,SICEネットワークのスパース性レベルに透明であり,さらに医療分析のための容易に利用できる,統一および効率的なネットワーク表現を提供する。ADHDとADNIデータセットに関する実験的研究は,提案した積分法はSICEネットワークと他の一般的に使用される積分法の単一スパース性レベル,多重カーネル学習を用いた方法と比較して分類性能の顕著な改善を達成することを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *ネットワーク ,  多様体 ,  *透視図法 ,  柔軟性 ,  連結性 ,  モデリング ,  最適化 ,  線形性 ,  多重化 ,  幾何学 ,  積分
準シソーラス用語： Kernel法 ,  スパース表現 ,  特徴空間 ,  *スパース性 , 【Automatic Indexing@JST】

著者キーワード (4件)： 脳ネットワークの統合 ,  スパース表現分類 ,  主題適応学習 ,  脳疾患診断

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： スパース性 ,  脳ネットワーク ,  適応 ,  統合