Dynamic generalized (multiple-set) structured canonical correlation analysis (dynamic GCANO): a structural equation model for simultaneous analysis of multiple-subject effective connectivity in functional neuroimaging studies
Notice bibliographique
Résumé
Effective connectivity in functional neuroimaging studies is defined as the time dependent causal influence that a certain brain region of interest (ROI) exerts on another. Structural equation modeling (SEM) is regularly employed to analyze effective connectivity. In recent years, various SEM methods have been proposed to model effective connectivity. However, there has been little attempt to develop SEM methods for analyzing common patterns of effective connectivity across subjects despite the prevalence of multiple-subject research in effective connectivity. This dissertation proposes a method that fills this gap. This method is called dynamic generalized (multiple-set) structured canonical correlation analysis (dynamic GCANO). It combines generalized (multiple-set) canonical correlation analysis (GCANO) with a multivariate autoregressive time series model in a unified framework. This dissertation begins with a brief review of existing SEM techniques, and points out their limitations in analyzing multiple-subject effective connectivity data, which serves as a motivation to develop dynamic GCANO. The technical underpinnings of the proposed method are then stated, including specifications of a modeling framework and an optimization criterion for parameter estimation, which is minimized by an alternating least squares algorithm. The effectiveness of dynamic GCANO is demonstrated by analyzing both synthetic and real data sets. The former reveals reasonably good parameter recoveries by the proposed method, while the latter shows the usefulness of the method in empirical research. Several features of dynamic GCANO are highlighted through these examples. The dissertation concludes with possible extensions of the proposed method.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».