XiaoMi-AI文件搜索系统
World File Search System变量组
功能神经影像多变量组分析的受试者间模式分析。统一的形式化
背景和目的。在医学成像中，群体研究必须克服个体之间存在的差异，以识别可用于诊断目的的不变图像特征。在功能性神经成像中，识别在群体水平上成立的神经编码原理的一个有吸引力的解决方案是受试者间模式分析，即从来自多个受试者的数据中学习预测模型并评估其对新受试者的泛化性能。尽管近年来它越来越受欢迎，但由于文献中明显缺乏正式定义，其广泛采用仍然受到阻碍。在本文中，我们精确介绍了针对功能性神经成像的多变量组分析的受试者间模式分析的第一个原则性形式化。方法。我们建议将受试者间模式分析构建为多源传导传递问题，从而将其置于几个定义明确的机器学习设置中并拓宽可用算法的范围。我们描述了两组使用几个开放数据集的受试者间大脑解码实验：一项涉及 16 名受试者的脑磁图研究和一项涉及 100 名受试者的功能性磁共振成像范例。我们通过进行模型比较来评估我们框架的相关性，其中一个大脑解码模型利用我们的形式化，而其他则不利用。结果。第一组实验证明了使用受试者标准化的大脑解码器与使用其他标准化方案的最先进模型相比具有优越性，证明了我们形式化的传导和多源组件的兴趣第二组实验定量表明，即使经过这样的转换，大脑解码器也更难以推广到新参与者而不是来自训练阶段可用的参与者的新数据，从而凸显了需要克服的转移差距。结论。本文将受试者间模式分析的第一个形式化描述为多源传导迁移学习问题。我们利用几个互补的功能性神经成像数据集上的概念验证实验证明了这种形式化的附加价值。这项工作将有助于推广功能性神经成像人群研究的受试者间模式分析，并为未来的方法创新铺平道路。
采用规范建模的证据
摘要 在这项工作中，我们扩展了 Rutherford 等人（2022a）中引入的规范模型库，以包括绘制结构表面积和大脑功能连接寿命轨迹的规范模型，这些模型使用两个独特的静息状态网络图谱（Yeo-17 和 Smith-10）进行测量，以及一个用于将这些模型传输到新数据源的更新的在线平台。我们通过在几个基准测试任务中对规范建模输出的特征和原始数据特征进行正面比较来展示这些模型的价值：大规模单变量组差异测试（精神分裂症与对照组）、分类（精神分裂症与对照组）和回归（预测一般认知能力）。在所有基准测试中，我们展示了使用规范建模特征的优势，在组差异测试和分类任务中表现出最强的统计显着结果。我们希望这些可访问的资源能够促进整个神经影像学界更广泛地采用规范建模。
使用实验数据分析和机械建模缓解增材制造中的气孔问题
摘要：雾化过程中保护气、金属蒸汽和粉末内部滞留的气体会导致气孔，而气孔会降低激光粉末床熔合增材制造部件的疲劳强度和拉伸性能。通过后处理和反复试验调整加工条件来降低气孔率既费时又费钱。在这里，我们结合机械建模和实验数据分析，提出了一种易于使用、可验证的无量纲气孔率指数来减轻气孔的形成。机械模型的结果经过了独立的实验数据严格测试。结果发现，该指数可以准确预测常用合金（包括不锈钢 316、Ti-6Al-4V、Inconel 718 和 AlSi10Mg）的气孔发生率，准确率为 92%。此外，实验数据表明，指数值越高，气孔数量越多。在四种合金中，AlSi10Mg 最容易产生气孔，其气孔指数值可能比其他合金高 5 至 10 倍。根据结果，我们绘制了气孔图，可在实践中用于选择适当的工艺变量组来减轻气孔，而无需进行实证测试。
通过组稀疏聚类对混合数据进行稀疏 k 均值分类
虽然通过正则化程序进行特征选择的问题在监督学习环境中引起了极大关注，并在过去二十年中产生了大量文献，但直到很晚且相对较新的时候，它才有效地出现在无监督框架中。第一种方法是基于模型的，这些方法自然适合包括套索（L 1）和相关惩罚，并且可以引用 [1] 来了解 L 1 惩罚的 EM 程序（混合由方差相等的高斯分布组成）或 [2] 来详细回顾基于模型的高维数据聚类。在更通用的框架中，没有对底层分布做出任何假设，在 [3] 中引入了具有 L 1 惩罚的稀疏 k 均值算法，后来扩展到每个聚类内的特征选择，并通过一致性结果得到加强，[4] [5] [6]。我们还要提到，最近在 [7] 中引入了稀疏 k 均值算法对重叠变量组的推广。话虽如此，上面引用的所有方法本质上都是为数值数据设计的，而真实数据通常由数值和分类特征组成。上面的一些作者触及了分类特征的问题，提到了使用虚拟变量进行转换使其数字化的可能性。但是，这个处理步骤并不是那么直接，因为零一向量上的欧几里得距离并不特别适合与数值变量上的欧几里得距离混合。其他作者