统计不可知映射：一种基于集中不等式的神经影像框架
机器学习
2022-02-10 v1 机器学习
图像与视频处理
应用统计
摘要
在 70 年代，统计学的一个新分支出现，其努力集中于在模式识别问题中选取一个函数，该函数满足逼近质量与其复杂度之间的确定关系。这些数据驱动方法主要用于估计有限样本量下的依赖关系，并包含所有的经验样本外泛化方法，例如交叉验证（CV）方法。尽管后者并非为神经影像中的竞争假设检验或不同模型比较而设计，但该理论内有若干理论进展可用于推导体素或多体素水平的统计不可知（非参数）映射（SAM）。此外，SAM 可缓解 i) 通过 CV 方法估计实际风险时有限样本量下的不稳定性问题（例如大误差棒），并提供 ii) 推断统计中用于假设检验的族错误率（FWE）校正 p 值图的替代方案。就此意义，我们提出一种基于集中不等式的神经影像新框架，其导致（i）在小样本/维度比下模型验证的严格推导，以及（ii）比 FWE p 值校正更不保守的流程，以根据实际风险的小上限所做出的推断来确定脑显著性图。
引用
@article{arxiv.1912.12274,
title = {Statistical Agnostic Mapping: a Framework in Neuroimaging based on Concentration Inequalities},
author = {J M Gorriz and SiPBA Group and CAM neuroscience},
journal= {arXiv preprint arXiv:1912.12274},
year = {2022}
}
备注
18 pages, 10 figures, prepared to be submitted to journal