小山雄太郎

@kyfwfw

自己の機械への移植が目標,MRI×機械学習をしてる,慶應(B)→生理研定藤研近添gr(M),心理/脳波/MRI研究の調査/設計/実装/解析を受注しています

Vrijeme pridruživanja: ožujak 2014.

Tweetovi

Blokirali ste korisnika/cu @kyfwfw

Jeste li sigurni da želite vidjeti te tweetove? Time nećete deblokirati korisnika/cu @kyfwfw

  1. 1. velj

    ANN/グラフィカルモデル/力学系等の道具立てがあるのだから,慣習的なモデリングに固執する必要は無い.(やや別の話だが)モデリングの筋が悪いのが問題なのであって,仮説検定が悪いわけではない.ましてや検定部分を適当にベイズに置き換えて解決する訳がない.

    Prikaži ovu nit
    Poništi
  2. 1. velj

    3の仮定を1の時点で使い表現力が強いモデルを立てて,少数の検定や予測のパフォーマンス問題に帰着させ,独立データでのパフォーマンス評価やモデル選択をするべき.

    Prikaži ovu nit
    Poništi
  3. 1. velj

    という筋悪のモデリングをしているのが問題だと思う.理論がアドホックで,3の時点で1の利点である要請の少なさが失われ,モデルの表現力が弱く当てはまりが悪く,結果が再現しない.

    Prikaži ovu nit
    Poništi
  4. 1. velj

    マクロ脳科学(MRI/EEG)は,サンプル特徴量が数十~数万の時系列なのに,Functional Connectivity/DCM/PPI/SPMの様な 1. 特徴量1つずつに仮定が少なく表現力が弱いモデルを立てる 2. 検定を繰り返す 3. 普通に多重比較補正をすると有意差が出ないのでrandom field theoryの様な仮定をアドホックに導入

    Prikaži ovu nit
    Poništi
  5. 30. pro 2019.

    神経科学と機械学習の大家32人によるオピニオン.脳モデルは目的関数・学習則・(情報)構造から成る最適化問題が良いという旨.STDPやcentral pattern generatorの様な少パラメータモデルに対比させた提案.脳とANNsの比較研究(Zipser&Andersenの路線)のまとめ

    Poništi
  6. 25. pro 2019.

    一応付言します.学部バイト時の上司で,今でもやり取りがある方が著者ですが,その事と本への感想は(少なくても意識的には)無関係です.

    Poništi
  7. 20. pro 2019.

    NTTデータの茨木さんが出した認知/神経科学のビジネス応用本,コンサル/広告/マーケティングあたりの人に聞かれた時には,数少ないマトモな本として薦めている.成功事例と根拠論文を紐付けて紹介している点,再現性問題に紙面を割いている点が良い.

    Poništi
  8. 19. pro 2019.

    若手優秀発表賞を頂けました.多数の有益なコメントもありがとうございました.より良い仕事に仕上げます.

    Poništi
  9. 18. pro 2019.

    明日の次世代脳シンポでは,機械学習とメタアナリシスを併用した全脳fMRIデータの新しい次元削減法を発表します(システム脳44番).刺激の時系列情報やa prioriなROI設定なしに,複雑に表象されている認知機能のダイナミクスを解析できる手法になると期待しています.ご指導よろしくお願い致します

    Poništi
  10. 16. pro 2019.

    重回帰における多重共線性への不注意は脳イメージングでも酷くて,例えばβマップ(よくある「活動」した所が赤くなっている絵)の少なくない部分がタワゴト.記事で指摘されているVIFの報告に加えて,データとコードのシェア・独立データでのモデルのパフォーマンス評価(Mosteller, 1977)が必須だと思う

    Poništi
  11. 13. pro 2019.

    Global Workspace Theoryを定式化した議論(基本的には2017年のThe Consciousness Prior)に聞こえた.P-Consciousnessには触れていない("注意"という言葉だけでも成立する話)が,out of distribution generalizationを意識の機能だと考えるのは重要だと思う.

    Poništi
  12. 5. pro 2019.

    ただ3種類の分類器のconfusion matrixをground truthとして類似度指標の望ましさを定義しているし,結果も実験刺激間で分散が大きい.「じゃあMinkowskiでいいんだろ」の様な思考停止ではなく,常に仮定とデータを考えながら議論する必要がある.

    Prikaži ovu nit
    Poništi
  13. 5. pro 2019.

    脳の真の情報表現(x)とBOLD(s)のp(x|s)や,時空間のvoxcelの分布を全無視して,無批判にピアソンを採用する事への問題提起は素晴らしい.JS Divergenceを提案している論文(Amico. 2019)などはあったが,今回ほど妥当っぽい指標を網羅的に探索した仕事は無い.

    Prikaži ovu nit
    Poništi
  14. 5. pro 2019.

    "脳状態のマクロパターン(:=BOLD信号)間の類似度指標(※距離ではない)としては,伝統的に採用されてきたピアソンの積率相関係数よりも,MinkowskiやMahalanobisの方が適切.ただし実験刺激での分散が大きく,部位での分散は少ない"

    Prikaži ovu nit
    Poništi
  15. 28. lis 2019.

    帰宅したら洗濯機とトイレが逆流しててヴェネツィア.どうしようもねえ.

    Prikaži ovu nit
    Poništi
  16. 23. lis 2019.

    一般化線形混合モデリングにおいて,母集団が従うと仮定する分布(のクラス)には名前がついていたっけ?(その定式化はどうなる?) それとも"ある指数型分布族の混合"という表現しかしない? 識者様教えて下さい泣

    Prikaži ovu nit
    Poništi
  17. 18. lis 2019.

    "Functional Connectivityはtest-retestで再現しない" 69報のreviewをメタ解析すると,individual edge levelのintraclass correlation coefficientで0.29.覚醒/shorter intervalあたりが再現性に重要な点は良いとして,artifact correctionが再現性を悪化させるのはキツイ

    Poništi
  18. 28. ruj 2019.

    ベイズ輪読の参加者を1名追加募集しています.ASCONEやFEPワークショップのOBが多いので,計算論的神経科学の文脈で読んでいく雰囲気です.今は岩波の"ベイズモデリングの世界"を隔週で読んでいます.MCMC→変分→FEP論文という流れを予定しています.1回は2名が担当者で,フルリモート開催です.

    Poništi
  19. 8. ruj 2019.

    昨年よりも更に再現性を気にした発表が増えていた.trainingとtestを分ける事や,陽に仮定やモデルを議論する事は,認知神経科学が民間伝承からマトモな科学へ脱皮する為に必要.今後は査読も厳しくなるだろうし,とりあえず有意差出ました研究は駆逐されていくと感じた.それは人類にとって良い事.

    Prikaži ovu nit
    Poništi
  20. 5. ruj 2019.

    I'm very excited about the great opportunity to hold oral presentation together with senior researchers at JHBI(UCH2016 hall). I'll talk about a new fMRI analysis to capture the dynamics of cognitive components at single TR time resolution.

    Prikaži ovu nit
    Poništi

Čini se da učitavanje traje već neko vrijeme.

Twitter je možda preopterećen ili ima kratkotrajnih poteškoća u radu. Pokušajte ponovno ili potražite dodatne informacije u odjeljku Status Twittera.

    Možda bi vam se svidjelo i ovo:

    ·