社交稀疏脑解码器：更快的空间稀疏性
机器学习
2016-06-22 v1 计算机视觉与模式识别
神经元与认知
摘要
空间稀疏预测器是脑解码的良好模型：它们给出准确的预测，并且其权重图具有可解释性，因为它们聚焦于少数区域。然而，基于全变分或 graph-net 的现有技术计算成本高昂。在这里，我们利用社交稀疏性（一种结构化收缩算子）在每个体素的局部邻域内引入稀疏性。我们发现，在脑成像分类问题上，社交稀疏性的表现几乎与全变分模型一样好，且优于 graph-net，而计算成本仅为其一小部分。它还非常清晰地勾勒出了预测区域。我们给出了模型和算法的细节。
引用
@article{arxiv.1606.06439,
title = {Social-sparsity brain decoders: faster spatial sparsity},
author = {Gaël Varoquaux and Matthieu Kowalski and Bertrand Thirion},
journal= {arXiv preprint arXiv:1606.06439},
year = {2016}
}
备注
in Pattern Recognition in NeuroImaging, Jun 2016, Trento, Italy. 2016