PulseAugur
中
实时 09:24:42
English(EN) FedDOSE: Federated Learning Framework Decomposing Site Effects for Modeling Brain Dynamic Functional Connectivity

新的联邦学习框架改进了跨站点的脑连接分析

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 FedDOSE，一个新颖的联邦学习框架，旨在改进跨多个站点的脑成像数据中动态功能连接的分析。该框架通过显式分解特定于站点的效应，解决了多站点数据固有的统计异质性挑战。FedDOSE 利用模块化引导的 Tucker 分解来处理高维动态功能连接张量，并采用最优传输和 Procrustes 分析来对齐特定类别的原型。在自闭症谱系障碍和注意力缺陷多动障碍数据集上的实验表明，FedDOSE 在检测方面的性能优于现有方法。 AI

影响 增强了分析复杂的多站点脑成像数据的能力，可能导致对神经系统疾病进行更准确的诊断。

排序理由 这是一篇研究论文，详细介绍了使用联邦学习分析脑成像数据的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的联邦学习框架改进了跨站点的脑连接分析

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Deepank Girish, Yi Hao Chan, Yubin Zheng, Sukrit Gupta, Jagath C. Rajapakse ·

    FedDOSE：用于建模大脑动态功能连接的联邦学习框架分解站点效应

    arXiv:2608.07393v1 Announce Type: new Abstract: Functional Magnetic Resonance Imaging ( fMRI ) data are often pooled into collaborative multi-site consortia, as deep learning models for analyses require large datasets to generalize well. While Federated Learning (FL) offers a pri…

相关实体

相关话题