DELMAR：用于提取人脑层级功能连接的深度线性矩阵近似重构
机器学习
2022-05-24 v1 人工智能
摘要
矩阵分解技术一直是分析人脑功能连接层级结构的重要计算方法。然而，这些方法仍有四个不足：1）需要大量训练样本；2）需手动调参；3）耗时且需要大量计算资源；4）无法保证收敛到唯一不动点。因此，我们提出一种称为深度线性矩阵近似重构（DELMAR）的新型深度矩阵分解技术，以弥补上述不足。所提方法的优势在于：首先，DELMAR 可自动估计重要超参数；此外，DELMAR 采用矩阵反向传播以减少潜在的累积误差；最后，引入正交投影来更新 DELMAR 的所有变量，而非直接计算逆矩阵。使用真实人脑功能磁共振信号对三种同类方法与 DELMAR 的验证实验表明，我们提出的方法能高效识别 fMRI 信号中的空间特征，且比其他同类方法更快、更准确。此外，理论分析表明 DELMAR 可收敛到唯一不动点，甚至能像 DNN 一样准确逼近原始输入。
引用
@article{arxiv.2205.10374,
title = {DELMAR: Deep Linear Matrix Approximately Reconstruction to Extract Hierarchical Functional Connectivity in the Human Brain},
author = {Wei Zhang and Yu Bao},
journal= {arXiv preprint arXiv:2205.10374},
year = {2022}
}
备注
10 pages, 6 figures, a deep linear matrix factorization technique. arXiv admin note: text overlap with arXiv:2205.10264