等变性能在处理多个干扰变量时的池化神经影像数据分析中发挥作用
机器学习
2022-03-30 v1 人工智能
计算机视觉与模式识别
摘要
跨机构池化多个神经影像数据集通常能在评估关联（例如风险因素与疾病结局之间）时提升统计功效，否则这些关联可能过于微弱而无法检测。当仅存在{\em 单一}变异来源（例如不同扫描仪）时，域适应与表示分布匹配在许多场景下已足够。但在存在{\em 多个}同时影响测量的干扰变量时，池化数据集带来独特挑战，例如数据变异可能同时来自采集方法与受试者人口统计学特征（性别、年龄）。不变表示学习本身不足以充分建模数据生成过程。本文展示如何将近期等变表示学习（用于研究神经网络中的对称性）在结构化空间上的实例化结果，与因果推断经典结论的简单运用相结合，提供一种有效的实用方案。具体而言，我们证明在若干假设下模型可处理多于一个干扰变量，并能在否则需剔除大量样本的场景中实现池化科学数据集的分析。
引用
@article{arxiv.2203.15234,
title = {Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets},
author = {Vishnu Suresh Lokhande and Rudrasis Chakraborty and Sathya N. Ravi and Vikas Singh},
journal= {arXiv preprint arXiv:2203.15234},
year = {2022}
}
备注
Accepted at 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)