Nonlinear Multiple Response Regression and Learning of Latent Spaces

投稿日: 2025年3月28日 作成者: jarxiv

要約

高次元データ内の低次元の潜在的構造を特定することは、データの圧縮、ストレージ、送信、およびより深いデータ理解の必要性に駆り立てられた、機械学習コミュニティの中心的なトピックでした。
主成分分析（PCA）や自動エンコーダー（AE）などの従来の方法は、利用可能な場合でもラベル情報を無視して、監視されていない方法で動作します。
この作業では、監視されていない設定と監督された設定の両方で潜在スペースを学習できる統一された方法を紹介します。
インデックスモデルコンテキスト内の非線形多重応答回帰として問題を定式化します。
一般化されたスタインの補題を適用することにより、非線形リンク関数を知らずに潜在スペースを推定できます。
私たちの方法は、PCAの非線形一般化と見なすことができます。
さらに、「ブラックボックス」として動作するAEやその他のニューラルネットワークメソッドとは異なり、このアプローチはより良い解釈可能性を提供するだけでなく、強力な理論的保証を提供しながら計算の複雑さを軽減します。
包括的な数値実験と実際のデータ分析は、私たちの方法の優れた性能を示しています。

要約(オリジナル)

Identifying low-dimensional latent structures within high-dimensional data has long been a central topic in the machine learning community, driven by the need for data compression, storage, transmission, and deeper data understanding. Traditional methods, such as principal component analysis (PCA) and autoencoders (AE), operate in an unsupervised manner, ignoring label information even when it is available. In this work, we introduce a unified method capable of learning latent spaces in both unsupervised and supervised settings. We formulate the problem as a nonlinear multiple-response regression within an index model context. By applying the generalized Stein’s lemma, the latent space can be estimated without knowing the nonlinear link functions. Our method can be viewed as a nonlinear generalization of PCA. Moreover, unlike AE and other neural network methods that operate as ‘black boxes’, our approach not only offers better interpretability but also reduces computational complexity while providing strong theoretical guarantees. Comprehensive numerical experiments and real data analyses demonstrate the superior performance of our method.

arxiv情報

著者 Ye Tian,Sanyou Wu,Long Feng
発行日 2025-03-27 15:28:06+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML | Nonlinear Multiple Response Regression and Learning of Latent Spaces はコメントを受け付けていません

GNNMerge: Merging of GNN Models Without Accessing Training Data

投稿日: 2025年3月28日 作成者: jarxiv

要約

モデルのマージは、元のトレーニングデータにアクセスせずに複数のトレーニングモデルを単一のモデルに統合する方法として、機械学習で顕著になりました。
既存のアプローチは、コンピュータービジョンやNLPなどのドメインで成功を示していますが、グラフニューラルネットワーク（GNNS）へのアプリケーションは未開拓のままです。
これらの方法は、多くの場合、共有初期化の仮定に依存していますが、これはGNNにはめったに適用されません。
この作業では、GNNのモデルマージアルゴリズムの最初のベンチマーク調査を実施し、このコンテキストでの限られた効果を明らかにします。
これらの課題に対処するために、GNNSをマージするためにアライメント戦略を埋め込むタスクに依存しないノードを利用するGnnmergeを提案します。
さらに、穏やかなリラクゼーションの下で、提案された最適化目標は、広く使用されているGNNアーキテクチャの直接的な分析ソリューションを認め、計算効率を大幅に向上させることを確立します。
多様なデータセット、タスク、およびアーキテクチャにわたる経験的評価により、GNNMERGEは既存の方法よりも最大24％の正確であることが確立され、ゼロからのトレーニングと比較して2桁以上のスピードアップを提供します。

要約(オリジナル)

Model merging has gained prominence in machine learning as a method to integrate multiple trained models into a single model without accessing the original training data. While existing approaches have demonstrated success in domains such as computer vision and NLP, their application to Graph Neural Networks (GNNs) remains unexplored. These methods often rely on the assumption of shared initialization, which is seldom applicable to GNNs. In this work, we undertake the first benchmarking study of model merging algorithms for GNNs, revealing their limited effectiveness in this context. To address these challenges, we propose GNNMerge, which utilizes a task-agnostic node embedding alignment strategy to merge GNNs. Furthermore, we establish that under a mild relaxation, the proposed optimization objective admits direct analytical solutions for widely used GNN architectures, significantly enhancing its computational efficiency. Empirical evaluations across diverse datasets, tasks, and architectures establish GNNMerge to be up to 24% more accurate than existing methods while delivering over 2 orders of magnitude speed-up compared to training from scratch.

arxiv情報

著者 Vipul Garg,Ishita Thakre,Sayan Ranu
発行日 2025-03-27 15:32:05+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | GNNMerge: Merging of GNN Models Without Accessing Training Data はコメントを受け付けていません

Leveraging Language Models for Analyzing Longitudinal Experiential Data in Education

投稿日: 2025年3月28日 作成者: jarxiv

要約

高次元の縦断的体験データを使用して、STEM学生の学術軌道の早期予測のために、事前に訓練された言語モデル（LMS）を活用するための新しいアプローチを提案します。
学生の研究関連の活動、行動、心理的状態を捉えたこのデータは、予測に基づいた介入のための貴重な洞察を提供します。
このようなデータの処理における重要な課題には、欠損値の高いレート、コストのかかるデータ収集によるデータセットサイズの限られたもの、およびモダリティ全体の複雑な時間的変動が含まれます。
私たちのアプローチは、包括的なデータ濃縮プロセスを通じてこれらの問題に対処し、欠損値を管理するための戦略を統合し、データを増強し、タスク固有の命令とコンテキストキューを埋め込み、時間パターンを学習するためのモデルの容量を強化します。
キュレーションされた学生学習データセットでの広範な実験を通じて、エンコーダデコーダーとデコーダーのみのLMSの両方を評価します。
私たちの調査結果は、LMSがモダリティ全体でデータを効果的に統合し、欠落データに回復力を示すことを示していますが、それらは主に、時間的ダイナミクスのより深い理解を示すのではなく、高レベルの統計パターンに依存しています。
さらに、明示的な時間情報を解釈する能力は限られたままです。
この研究は、縦断的な体験データに基づいた早期介入の学生の軌跡をモデル化する際のLMSの可能性と制限の両方を強調することにより、教育データサイエンスを促進します。

要約(オリジナル)

We propose a novel approach to leveraging pre-trained language models (LMs) for early forecasting of academic trajectories in STEM students using high-dimensional longitudinal experiential data. This data, which captures students’ study-related activities, behaviors, and psychological states, offers valuable insights for forecasting-based interventions. Key challenges in handling such data include high rates of missing values, limited dataset size due to costly data collection, and complex temporal variability across modalities. Our approach addresses these issues through a comprehensive data enrichment process, integrating strategies for managing missing values, augmenting data, and embedding task-specific instructions and contextual cues to enhance the models’ capacity for learning temporal patterns. Through extensive experiments on a curated student learning dataset, we evaluate both encoder-decoder and decoder-only LMs. While our findings show that LMs effectively integrate data across modalities and exhibit resilience to missing data, they primarily rely on high-level statistical patterns rather than demonstrating a deeper understanding of temporal dynamics. Furthermore, their ability to interpret explicit temporal information remains limited. This work advances educational data science by highlighting both the potential and limitations of LMs in modeling student trajectories for early intervention based on longitudinal experiential data.

arxiv情報

著者 Ahatsham Hayat,Bilal Khan,Mohammad Rashedul Hasan
発行日 2025-03-27 15:37:23+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Leveraging Language Models for Analyzing Longitudinal Experiential Data in Education はコメントを受け付けていません

Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory

投稿日: 2025年3月28日 作成者: jarxiv

要約

機械学習の進歩と豊富な構造モニタリングデータにより、機械モデルと確率モデルの統合に影響を与え、構造の状態を特定し、その物理的パラメーターと応答の不確実性を定量化しました。
この論文では、物理学に基づいたガウスプロセス（GP）を介して、古典的なキルチホフ愛のプレートの推論方法論を提案します。
確率モデルは、たわみを前にGPを配置し、方程式を支配するプレートの線形微分演算子を使用して共分散関数を導出することにより、マルチアウトプットGPとして定式化されます。
曲げ剛性、ハイパーパラメーター、およびプレート応答の後部は、騒々しい測定からのマルコフチェーンモンテカルロ（MCMC）サンプリングを使用してベイジアンに推測されます。
適用性を実証します。2つの例：正弦波荷重にさらされる単純に支持されたプレートと、均一な荷重にさらされた固定プレートです。
結果は、さまざまなセンサーの種類と品質から測定を統合することにより、提案された方法論をプレートの剛性と物理量の確率的推論を実行する方法を示しています。
提示された方法論の潜在的な応用は、プレート様構造の構造的健康監視と不確実性の定量化にあります。

要約(オリジナル)

Advancements in machine learning and an abundance of structural monitoring data have inspired the integration of mechanical models with probabilistic models to identify a structure’s state and quantify the uncertainty of its physical parameters and response. In this paper, we propose an inference methodology for classical Kirchhoff-Love plates via physics-informed Gaussian Processes (GP). A probabilistic model is formulated as a multi-output GP by placing a GP prior on the deflection and deriving the covariance function using the linear differential operators of the plate governing equations. The posteriors of the flexural rigidity, hyperparameters, and plate response are inferred in a Bayesian manner using Markov chain Monte Carlo (MCMC) sampling from noisy measurements. We demonstrate the applicability with two examples: a simply supported plate subjected to a sinusoidal load and a fixed plate subjected to a uniform load. The results illustrate how the proposed methodology can be employed to perform stochastic inference for plate rigidity and physical quantities by integrating measurements from various sensor types and qualities. Potential applications of the presented methodology are in structural health monitoring and uncertainty quantification of plate-like structures.

arxiv情報

著者 Igor Kavrakov,Gledson Rodrigo Tondo,Guido Morgenthal
発行日 2025-03-27 15:40:00+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, physics.data-an | Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory はコメントを受け付けていません

Graph Anomaly Detection in Time Series: A Survey

投稿日: 2025年3月28日 作成者: jarxiv

要約

最近のテクノロジーの進歩により、幅広いシステムが長期にわたって大量のデータを収集し続け、したがって時系列を生成します。
時系列異常検出（TSAD）は、eコマース、サイバーセキュリティ、車両メンテナンス、ヘルスケアモニタリングなど、さまざまな時系列アプリケーションで重要なタスクです。
ただし、このタスクは、時間内のデータに存在する変数内依存関係（時間の経過に伴う変数内の関係）と相互の依存関係（複数の変数間の関係）の両方を考慮する必要があるため、非常に困難です。
最近のグラフベースのアプローチは、この分野の課題への取り組みにおいて印象的な進歩を遂げました。
この調査では、G-TSADと呼ばれるグラフを使用してTSADの包括的かつ最新のレビューを実施します。
最初に、時系列データのグラフ表現の重要な可能性と、異常検出を促進するためのその貢献について調査します。
次に、時系列のコンテキストで、主に深い学習アーキテクチャを活用する最先端のグラフ異常検出技術を確認します。
各方法について、その強み、制限、およびそれが優れている特定のアプリケーションについて説明します。
最後に、現在フィールドに直面している技術とアプリケーションの両方の課題に対処し、研究を進め、実用的な結果を改善するための潜在的な将来の方向性を示唆しています。

要約(オリジナル)

With the recent advances in technology, a wide range of systems continue to collect a large amount of data over time and thus generate time series. Time-Series Anomaly Detection (TSAD) is an important task in various time-series applications such as e-commerce, cybersecurity, vehicle maintenance, and healthcare monitoring. However, this task is very challenging as it requires considering both the intra-variable dependency (relationships within a variable over time) and the inter-variable dependency (relationships between multiple variables) existing in time-series data. Recent graph-based approaches have made impressive progress in tackling the challenges of this field. In this survey, we conduct a comprehensive and up-to-date review of TSAD using graphs, referred to as G-TSAD. First, we explore the significant potential of graph representation for time-series data and and its contributions to facilitating anomaly detection. Then, we review state-of-the-art graph anomaly detection techniques, mostly leveraging deep learning architectures, in the context of time series. For each method, we discuss its strengths, limitations, and the specific applications where it excels. Finally, we address both the technical and application challenges currently facing the field, and suggest potential future directions for advancing research and improving practical outcomes.

arxiv情報

著者 Thi Kieu Khanh Ho,Ali Karami,Narges Armanfard
発行日 2025-03-27 15:47:29+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Graph Anomaly Detection in Time Series: A Survey はコメントを受け付けていません

Provable Reduction in Communication Rounds for Non-Smooth Convex Federated Learning

投稿日: 2025年3月28日 作成者: jarxiv

要約

複数のローカルステップは、コミュニケーション効率の良いフェデレーション学習の鍵です。
ただし、データの不均一性に縛られた仮定がないこのようなアルゴリズムの理論的保証は、一般的な非滑らかな凸の問題に欠けています。
投影効率の高い最適化方法を活用すると、複数のローカルステップから証明可能な改善を伴う連邦学習アルゴリズムであるFEDMLSを提案します。
FEDMLSは、$ \ mathcal {o}（1/\ epsilon）$通信ラウンドで$ \ epsilon $ -Suboptimalソリューションを獲得します。

要約(オリジナル)

Multiple local steps are key to communication-efficient federated learning. However, theoretical guarantees for such algorithms, without data heterogeneity-bounding assumptions, have been lacking in general non-smooth convex problems. Leveraging projection-efficient optimization methods, we propose FedMLS, a federated learning algorithm with provable improvements from multiple local steps. FedMLS attains an $\epsilon$-suboptimal solution in $\mathcal{O}(1/\epsilon)$ communication rounds, requiring a total of $\mathcal{O}(1/\epsilon^2)$ stochastic subgradient oracle calls.

arxiv情報

著者 Karlo Palenzuela,Ali Dadras,Alp Yurtsever,Tommy Löfstedt
発行日 2025-03-27 15:48:34+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, math.OC | Provable Reduction in Communication Rounds for Non-Smooth Convex Federated Learning はコメントを受け付けていません

ClusterSC: Advancing Synthetic Control with Donor Selection

投稿日: 2025年3月28日 作成者: jarxiv

要約

観察研究との因果的推論では、合成制御（SC）が顕著なツールとして浮上しています。
SCは従来、集約レベルのデータセットに適用されてきましたが、最近の研究により、その使用が個人レベルのデータに拡大されています。
観測されたユニットの数が多く含まれているため、このシフトはSCに次元の呪いを導入します。
これに対処するために、行動が内部的に整列しているがグループ間で異なる場合に個人のグループが存在する可能性があるという考えに基づいて、クラスター合成制御（ClusterSC）を提案します。
ClusterSCには、ターゲットに関連するドナーのみを選択するためのクラスタリングステップが組み込まれています。
合成および実世界のデータセットに関する経験的デモンストレーションによってサポートされているClusterSCによって引き起こされる改善に関する理論的保証を提供します。
結果は、ClusterSCが一貫して古典的なSCアプローチを上回ることを示しています。

要約(オリジナル)

In causal inference with observational studies, synthetic control (SC) has emerged as a prominent tool. SC has traditionally been applied to aggregate-level datasets, but more recent work has extended its use to individual-level data. As they contain a greater number of observed units, this shift introduces the curse of dimensionality to SC. To address this, we propose Cluster Synthetic Control (ClusterSC), based on the idea that groups of individuals may exist where behavior aligns internally but diverges between groups. ClusterSC incorporates a clustering step to select only the relevant donors for the target. We provide theoretical guarantees on the improvements induced by ClusterSC, supported by empirical demonstrations on synthetic and real-world datasets. The results indicate that ClusterSC consistently outperforms classical SC approaches.

arxiv情報

著者 Saeyoung Rho,Andrew Tang,Noah Bergam,Rachel Cummings,Vishal Misra
発行日 2025-03-27 15:50:32+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML | ClusterSC: Advancing Synthetic Control with Donor Selection はコメントを受け付けていません

Data-Driven Extreme Response Estimation

投稿日: 2025年3月28日 作成者: jarxiv

要約

この論文では、極端な船舶応答イベントを迅速に推定する方法が開発されています。
この方法には、長期的な短期メモリ（LSTM）ニューラルネットワークによるトレーニングが含まれ、より忠実度の低い忠実度の流体力学モデルを高忠実度シミュレーションのレベルまで修正します。
大規模なイベント周辺の短い時系列のみで忠実度の低いシミュレーションとトレーニングで特定されたピークイベントの近くでタイムシリーズを分離することにより、より大きな応答にさらに焦点が当てられています。
この方法は、Sea State 5（4.0メートルの有意な波の高さと15.0秒のモーダル期間）におけるピッチ時系列の最大値の推定でテストされ、SimpleCodeと呼ばれる低忠実度の流体力学的ソルバーと、大振幅運動プログラム（LAMP）として知られる高忠実度ツールによって生成されます。
結果は、大規模なイベントについて特別な考慮事項なしに訓練されたLSTMと比較されます。

要約(オリジナル)

A method to rapidly estimate extreme ship response events is developed in this paper. The method involves training by a Long Short-Term Memory (LSTM) neural network to correct a lower-fidelity hydrodynamic model to the level of a higher-fidelity simulation. More focus is placed on larger responses by isolating the time-series near peak events identified in the lower-fidelity simulations and training on only the shorter time-series around the large event. The method is tested on the estimation of pitch time-series maxima in Sea State 5 (significant wave height of 4.0 meters and modal period of 15.0 seconds,) generated by a lower-fidelity hydrodynamic solver known as SimpleCode and a higher-fidelity tool known as the Large Amplitude Motion Program (LAMP). The results are also compared with an LSTM trained without special considerations for large events.

arxiv情報

著者 Samuel J. Edwards,Michael D. Levine
発行日 2025-03-27 16:03:46+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, physics.data-an | Data-Driven Extreme Response Estimation はコメントを受け付けていません

An Exponential Separation Between Quantum and Quantum-Inspired Classical Algorithms for Linear Systems

投稿日: 2025年3月28日 作成者: jarxiv

要約

重要な機械学習タスクの証明可能な指数速度速度を達成することは、線形システムを解くための独創的なHHL量子アルゴリズムと、ケレニディスとプラカシュによるその後の量子推奨システムアルゴリズム以来、中心的な研究目標でした。
これらのアルゴリズムは当初、指数関数的なスピードアップの強力な候補者であると考えられていましたが、同様の古典的な改善を除外した下限は存在しませんでした。
Tangによる画期的な作業では、古典的な下限におけるこの進歩の欠如が正当な理由であることが実証されました。
具体的には、彼女は量子推奨システムアルゴリズムの古典的なカウンターパートを与え、量子の利点を単なる多項式に減らしました。
彼女のアプローチは非常に一般的であり、Quantumにインスパイアされた古典的なアルゴリズムと名付けられました。
それ以来、ほとんどすべての指数関数的な量子機械学習のスピードアップは、新しい量子にインスパイアされた古典的なアルゴリズムを介して多項式に減少しました。
現在の最新情報から、自然な機械学習タスクの指数関数的な量子速度を期待できるかどうかは不明です。
この作業では、入力マトリックスがよく調整され、まばらな行と列がある場合に線形システムを解くという基本的な問題について、量子と量子に触発された古典的アルゴリズムの間の最初のそのような証明可能な指数分離を提示します。

要約(オリジナル)

Achieving a provable exponential quantum speedup for an important machine learning task has been a central research goal since the seminal HHL quantum algorithm for solving linear systems and the subsequent quantum recommender systems algorithm by Kerenidis and Prakash. These algorithms were initially believed to be strong candidates for exponential speedups, but a lower bound ruling out similar classical improvements remained absent. In breakthrough work by Tang, it was demonstrated that this lack of progress in classical lower bounds was for good reasons. Concretely, she gave a classical counterpart of the quantum recommender systems algorithm, reducing the quantum advantage to a mere polynomial. Her approach is quite general and was named quantum-inspired classical algorithms. Since then, almost all the initially exponential quantum machine learning speedups have been reduced to polynomial via new quantum-inspired classical algorithms. From the current state-of-affairs, it is unclear whether we can hope for exponential quantum speedups for any natural machine learning task. In this work, we present the first such provable exponential separation between quantum and quantum-inspired classical algorithms for the basic problem of solving a linear system when the input matrix is well-conditioned and has sparse rows and columns.

arxiv情報

著者 Allan Grønlund,Kasper Green Larsen
発行日 2025-03-27 16:06:12+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CC, cs.DS, cs.LG, quant-ph | An Exponential Separation Between Quantum and Quantum-Inspired Classical Algorithms for Linear Systems はコメントを受け付けていません

Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI

投稿日: 2025年3月28日 作成者: jarxiv

要約

自閉症スペクトラム障害（ASD）は、制限された関心とコミュニケーションの困難を特徴とする発達条件です。
ASDの複雑さにより、客観的な診断バイオマーカーが不足しています。
深い学習方法は、ニューロイメージング分析でこれらの課題に対処することで認識されていますが、そのような診断バイオマーカーを見つけて解釈することは依然として計算上の挑戦です。
ここでは、静止状態のfMRIデータを使用して機能削減パイプラインを提案します。
Craddock AtlasとPower Atlasを使用して、RS-FMRIから機能的な接続データを抽出し、3万を超える機能をもたらしました。
除去変動自動エンコーダーを使用することにより、提案されているパイプラインは、接続機能を5つの潜在ガウス分布にさらに圧縮し、計算効率と解釈可能性を促進するためのデータの低次元表現です。
メソッドをテストするために、抽出された潜在表現を使用して、大規模なマルチサイトデータセットでSVMなどの従来の分類子を使用してASDを分類しました。
SVMの予測精度の95％信頼区間は、抽出された潜在分布を使用した部位調和後の[0.63、0.76]です。
次元削減にDVAEを使用しないと、予測精度は0.70であり、これは間隔内に収まります。
DVAEは、予測パフォーマンスを犠牲にすることなく、RS-FMRIデータから診断情報を正常にエンコードしました。
DVAEをトレーニングし、抽出された潜在的な特徴から分類結果を取得するためのランタイムは、生データで直接トレーニング分類器と比較して7倍短かった。
私たちの調査結果は、パワーアトラスがCraddock AtlasよりもASDを診断するためのより効果的な脳接続性の洞察を提供することを示唆しています。
さらに、潜在的な表現を視覚化して、ASDと神経型の脳の違いに寄与する脳ネットワークに関する洞察を得ました。

要約(オリジナル)

Autism spectrum disorders (ASDs) are developmental conditions characterized by restricted interests and difficulties in communication. The complexity of ASD has resulted in a deficiency of objective diagnostic biomarkers. Deep learning methods have gained recognition for addressing these challenges in neuroimaging analysis, but finding and interpreting such diagnostic biomarkers are still challenging computationally. Here, we propose a feature reduction pipeline using resting-state fMRI data. We used Craddock atlas and Power atlas to extract functional connectivity data from rs-fMRI, resulting in over 30 thousand features. By using a denoising variational autoencoder, our proposed pipeline further compresses the connectivity features into 5 latent Gaussian distributions, providing is a low-dimensional representation of the data to promote computational efficiency and interpretability. To test the method, we employed the extracted latent representations to classify ASD using traditional classifiers such as SVM on a large multi-site dataset. The 95% confidence interval for the prediction accuracy of SVM is [0.63, 0.76] after site harmonization using the extracted latent distributions. Without using DVAE for dimensionality reduction, the prediction accuracy is 0.70, which falls within the interval. The DVAE successfully encoded the diagnostic information from rs-fMRI data without sacrificing prediction performance. The runtime for training the DVAE and obtaining classification results from its extracted latent features was 7 times shorter compared to training classifiers directly on the raw data. Our findings suggest that the Power atlas provides more effective brain connectivity insights for diagnosing ASD than Craddock atlas. Additionally, we visualized the latent representations to gain insights into the brain networks contributing to the differences between ASD and neurotypical brains.

arxiv情報

著者 Xinyuan Zheng,Orren Ravid,Robert A. J. Barry,Yoojean Kim,Qian Wang,Young-geun Kim,Xi Zhu,Xiaofu He
発行日 2025-03-27 16:25:38+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, eess.IV, I.4.10, stat.AP | Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI はコメントを受け付けていません