详细内容或原文请订阅后点击阅览
MVICAD2：具有延迟和扩张的多视图独立分量分析
多视图设置中的机器学习技术面临着重大挑战，特别是在集成异构数据、对齐特征空间和管理特定于视图的偏差时。这些问题在神经科学中很突出，通过分析来自相同刺激的多个受试者的数据来揭示大脑活动动态。在脑磁图 (MEG) 中，信号是在头皮水平捕获的，估计大脑的潜在来源至关重要，尤其是在假设所有受试者的来源相似的群体研究中。常用的方法，比如Multi-View...
来源:Apple机器学习研究多视图设置中的机器学习技术面临着重大挑战，特别是在集成异构数据、对齐特征空间和管理特定于视图的偏差时。这些问题在神经科学中很突出，通过分析来自相同刺激的多个受试者的数据来揭示大脑活动动态。在脑磁图 (MEG) 中，信号是在头皮水平捕获的，估计大脑的潜在来源至关重要，尤其是在假设所有受试者的来源相似的群体研究中。多视图独立成分分析 (MVICA) 等常见方法假设受试者之间的来源相同，但由于个体差异和与年龄相关的变化，这种假设往往过于严格。带延迟的多视图独立分量分析 (MVICAD) 通过允许源在时间延迟范围内存在差异来解决此问题。然而，时间扩张效应，特别是听觉刺激中的时间扩张效应，在大脑动力学中很常见，使得仅对时间延迟的估计是不够的。为了解决这个问题，我们提出了带有延迟和扩张的多视图独立成分分析（MVICAD2），它允许不同受试者的源在时间延迟和扩张方面有所不同。我们提出一个具有可识别来源的模型，以封闭形式导出其可能性的近似值，并使用正则化和优化技术来提高性能。通过模拟，我们证明 MVICAD2 优于现有的多视图 ICA 方法。我们使用 Cam-CAN 数据集进一步验证其有效性，并展示延迟和扩张与老化的关系。