GraphVar 2.0:機能的ネットワーク特徴量による機械学習用のユーザーフレンドリなツールボックス

GraphVar 2.0: A user-friendly toolbox for machine learning on functional connectivity measures L. Waller, A. Brovkin, L. Dorfschmidt,D. Bzdok,H. Walter,J.D. Kruschwitz
Journal of Neuroscience Methods, Volume 308:, Pages 21-33,1 October 2018

“背景:
我々はこれまでGraphVarを脳機能ネットワーク解析の包括的なグラフ理論解析のための使いやすいMATLABツールボックスとして提示した.ここでは,ツールボックスの包括的な拡張機能を紹介する.これにより,ユーザーは機能的な接続方法や追加機能を介して、簡単にカスタマイズ可能なデコードモデルをシームレスに探索できる.
新たな手法 :
GraphVar 2.0 は機械学習モデル構築,検証,探索を提供する.
機械学習はグラフ理論特徴量と追加変数の任意の組み合わせを使用して実行することができ,ニューロイメージングに柔軟性をもたらす.
結果:
高速一般線形モデル(general linear model : GLM)による脳機能ネットワークの構築やグラフ理論的解析などの以前に統合された機能に加えて,ユーザはconnectivity matrices,graph measuresおよびインポートされた追加変数にわたってカスタマイズ可能な機械学習を実行できるようになった.
新しい拡張機能は,分類と回帰の性能におけるパラメトリック,ノンパラメトリックなテスト,データのエクスポート,図の生成と高品質のエクスポートも提供する.
既存手法との比較:
GraphVar 2.0は,他の既存のツールボックスと比較して,
(1)包括的なカスタマイズ,(2)オールインワンのユーザーフレンドリーなインターフェイス,(3)カスタマイズ可能なモデルデザインおよび手動のハイパーパラメータの入力(4)インタラクティブな結果の探索とデータのエクスポート (5)同じセッション内で複数の結果変数をモデリングするための自動キューシステム,(6)簡単な入門説明書に従う.
結論:
GraphVar 2.0は,機能的ネットワーク解析に基づいた測定法でのエンコード(GLM)およびデコード(ML)モデリングアプローチの包括的で使いやすい探索を可能にし,神経科学のビッグデータをより広範囲のニューロイメージング研究者に容易に扱うことができるようにする.

デフォルトモードネットワークとワーキングメモリネットワークは,ワーキングメモリタスクのすべてのフェー ズで反相関しない

The Default Mode Network and the Working Memory
Network Are Not Anti-Correlated during All Phases of
a Working Memory Task
PloS one, Vol.10, No.4, e0123354, 2015
20170719 resume

はじめに
デフォルトモードネットワークとワーキングメモリネットワークは,持続的な認知処理の間,負荷に依存して反相関することが知られている.2 つのネットワークのノード間の機能的コネクティビティは,時間の経過とともにタスクフェーズによって動的に調整されると仮定した.
方法
デフォルトモードネットワークとワーキングメモリネットワーク間の動的な連結を処理するため,遅延視覚-空間的なワーキングメモリパラダイムを使用した.これはワーキングメモリの3 つの異なるフェーズ(符号化,保持,および検索)を分離することを可能にする.そして,デフォルトモードネットワークとワーキングメモリネットワークのネットワーク内およびネットワーク間の各フェーズの間の機能的コネクティビティを解析した.
結果
2 つのネットワークはワーキングメモリの保持のフェーズのみの間,例えば注意が外部入力がない場合に記憶された刺激に集中している場合に反相関であることがわかった.逆に,外部刺激が存在する符号化および検索のフェーズの間,デフォルトモードネットワークはワーキングメモリネットワークと積極的に結合し,それは「タスク-ポジティブ」および「タスク-ネガティブ」な脳内ネットワーク間の機能的な接続の動的な切り換えの存在を示唆している.
結論
ヒトの脳の確立した2 分法(安静時の反相関ネットワークと認知時の安定した活性-非活性)は,以前考えられていたよりも微妙な組織を持ち,認知課題の特定のサブフェーズの間に相関と反相関の異なるパターンに関与することを結果は示す.ワーキングメモリネットワークのような特定のタスク-ポジティブなネットワークの静的でなく動的な相互作用によって表されるように,この微妙な組織は,認知機能におけるデフォルトモードネットワークの直接的な関与の仮説を強化する.

遺伝的アルゴリズムにおける交叉と突然変異の適応確率

20150406 harada

Adaptive Probabilities of Crossover and Mutation in
Genetic Algorithms

Mandavilli Srinivas,Lalit Mohan Patnaik

IEEE Transactions on Systems,Man and Cybernetics,Volume 24,Issue 4,1994,Pages 656-667

Convergence of numerical methods, Genetic algorithms,Optimisation, Probability, Schema theorem, Adaptive genetic algorithm, Adaptive probabilities, Convergence capacity, Crossover, Fitness values, Multimodal function optimization,Mutation, Capacity planning, Design optimization, Encoding, Genetic mutations, Neural networks, Optimal control, Organizing, Robustness, Sampling methods

本稿において,私たちは遺伝的アルゴリズム(GA) による多峰性関数最適化のための効率的なアプローチを述べ
る.私たちは,交叉と突然変異の適応確率を使うことを勧める.これは母集団の多様性維持とGA の収束能力の
維持という二つの目的を実現するためである.適応型遺伝的アルゴリズム(AGA) において,交叉と突然変異の確
率である,Pc とPm は解の適応度に応じて変化している.高い適応度を持つ解は保護される一方で,標準未満の
適応度を持つ解は全て排除される.また,Pc とPm を適応度によって変化させて使用することで,私たちはPc
とPm の最適値を決定する問題に対する解決策を与える.すなわち,Pc とPm は全く指定する必要はない.AGA
は,遺伝的アルゴリズムに確率的操作を適応させるために従来の方法と比較される.そのスキーマ定理はAGA に
よって導き出され,そしてその動作が分析される.
私たちは,難易度が変化するいくつかの解明されていない多峰性関数最適化における標準的な遺伝的アルゴリ
ズム(SGA) とAGA の性能を比較する.ほとんどの関数において,AGA はSGA に比べてはるかに少ない世代数
で一般最適解に収束する.そして,局所解となって動けなくなることが少ない.私たちの実験は,遺伝子の状態
と多峰性の性質についてSGA の性能と比較した,AGA の相対的な性能は向上していることを証明した.私たち
は,AGA が多峰性のランドスケープにおける一般解を見つけるために,自分自身で適応させることができるGA
の構造を実現するための初めの一歩だと信じている.