MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations

要約

マルチビュー設定における機械学習手法は、特に異種データの統合、特徴空間の調整、ビュー固有のバイアスの管理において、重大な課題に直面しています。
これらの問題は、脳活動のダイナミクスを解明するために同じ刺激にさらされた複数の被験者からのデータが分析される神経科学において顕著です。
信号が頭皮レベルで捕捉される脳磁図検査 (MEG) では、脳の根底にある信号源を推定することが重要であり、信号源がすべての被験者で同様であると想定されるグループ研究では特に重要です。
マルチビュー独立成分分析 (MVICA) などの一般的な方法では、被験者間で同一の情報源が想定されていますが、個人差や年齢に伴う変化により、この想定は制限的すぎることがよくあります。
Multi-View Independent Component Analysis with Delays (MVICAD) は、時間的な遅延までソースが異なることを許容することで、この問題に対処します。
ただし、特に聴覚刺激における時間拡張効果は脳力学において一般的であり、時間遅延の推定だけでは不十分です。
これに対処するために、我々は遅延と拡張を伴うマルチビュー独立成分分析 (MVICAD2) を提案します。これにより、ソースが時間的な遅延と拡張の両方において被験者間で異なることが可能になります。
特定可能なソースを含むモデルを提示し、閉じた形式でその尤度の近似値を導き出し、正則化および最適化手法を使用してパフォーマンスを向上させます。
シミュレーションを通じて、MVICAD2 が既存のマルチビュー ICA 手法よりも優れていることを実証します。
Cam-CAN データセットを使用してその有効性をさらに検証し、遅延と膨張が老化にどのように関連しているかを示します。

要約(オリジナル)

Machine learning techniques in multi-view settings face significant challenges, particularly when integrating heterogeneous data, aligning feature spaces, and managing view-specific biases. These issues are prominent in neuroscience, where data from multiple subjects exposed to the same stimuli are analyzed to uncover brain activity dynamics. In magnetoencephalography (MEG), where signals are captured at the scalp level, estimating the brain’s underlying sources is crucial, especially in group studies where sources are assumed to be similar for all subjects. Common methods, such as Multi-View Independent Component Analysis (MVICA), assume identical sources across subjects, but this assumption is often too restrictive due to individual variability and age-related changes. Multi-View Independent Component Analysis with Delays (MVICAD) addresses this by allowing sources to differ up to a temporal delay. However, temporal dilation effects, particularly in auditory stimuli, are common in brain dynamics, making the estimation of time delays alone insufficient. To address this, we propose Multi-View Independent Component Analysis with Delays and Dilations (MVICAD2), which allows sources to differ across subjects in both temporal delays and dilations. We present a model with identifiable sources, derive an approximation of its likelihood in closed form, and use regularization and optimization techniques to enhance performance. Through simulations, we demonstrate that MVICAD2 outperforms existing multi-view ICA methods. We further validate its effectiveness using the Cam-CAN dataset, and showing how delays and dilations are related to aging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google