Nonparametric random fields with applications in functional imaging
Notice bibliographique
Résumé
In functional imaging, we are searching for the location of a particular effect in a group of images. It is often of interest to perform a statistical test at each point of the image, and reject the null hypothesis of "no effect" where there is significant evidence to do so. For such purpose, a test statistic should be evaluated at each point of the image, resulting in a test statistic image. The test statistic image can be considered as a stochastic process or a random field, f, defined on some parameter space, T, and taking values in R. When the statistic image, f, is submitted to a threshold of level u the p-value will be the excursion probability. When f satisfies certain conditions, Random Field Theory (RFT) can be used to estimate the above excursion probability by calculating the expected Euler characteristic (EC) of the excursion sets of f. The existing RFT results give explicit formulas for E[EC(Au)] when f is a function of Gaussian random fields [26, 27]. From the "hypothesis testing" point of view, this means that the test performed at each point of the image should be parametric. Parametric tests often assume that the observations are normally distributed and this assumption does not always hold. If this normality assumption fails, the underlying random fields of our test will not be Gaussian, and consequently, the Gaussian RFT results would not be valid.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».