Multiple penalized least squares (MPLS) models are a more flexible approach to find adaptive least squares solutions required to be simultaneously sparse and smooth. This is particularly important when addressing real-life inverse problems where there is no ground truth available, such as electrophysiological source imaging. In this work we formalize a modified Newton-Raphson (MNR) algorithm to estimate general MPLS models, and propose its extension to perform efficient optimization over the active set of selected features (AMNR). This algorithm can be used to minimize continuously differentiable objective functions with multiple restrictions, including sign constraints. We show that these algorithms provide solutions with acceptable reconstruction in simulated scenarios that do not cope with model assumptions, and for low n/p ratios. We then use both algorithms for estimating different electroencephalography (EEG) inverse models with multiple penalties. We also show how the AMNR allows us to estimate new models in the EEG inverse problem context, such as nonnegative versions of Smooth Garrote and Smooth LASSO. Due to its similarity to the least angle regression (LARS) algorithm, synthetic data were used for a preliminary comparison between solutions obtained using both AMNR and LARS for the same models, according to well-known quality measures. A visual event-related EEG from healthy young subjects and a resting-state EEG study associated to walking speed decline in active elders were used to illustrate its usefulness in the analysis of real experimental data.


翻译:多元且受处罚最少的方(MPLS)模型是一种更灵活的方法,以找到适应性最差的方(最差的方)的解决方案,这些解决方案必须同时分散和平稳。这在解决现实生活中没有地面事实可查的问题时特别重要,例如电生理源成像。在这项工作中,我们正式确定了修改的牛顿-拉方松(MNR)算法,以估计一般的方(MPLS)模型,并提议扩展该算法,以对活跃的一组特定特征(AMNR)进行高效优化。这一算法可以用来尽可能减少持续差异的、有多种限制的、包括标志限制的客观功能。我们表明,这些算法提供了在模拟假设中无法应对模型假设的模拟情景和低n/p比率的模拟情景中可接受的可接受的重建解决方案。我们随后使用两种算法来估算不同的电脑物理学(EEEG)反模型,同时进行多重处罚。我们还表明,该算法如何允许我们在反问题背景下对新模型进行高效的模型,例如平滑加罗特和平的LASSOSSO 等的不相近的模型。由于它与最小回归(LARS)算法的模拟算法的模拟的模拟算法的模拟,合成数据与A-EEEEEEGA-EA模型的快速分析模型的快速分析模型的快速分析模型使用,因此使用了一种初步实验性研究,在A-EA-EA-EA的精确实验性研究中使用了对A-EB的模型和精确实验性实验性研究中使用了一种初步比较。

0
下载
关闭预览

相关内容

专知会员服务
76+阅读 · 2021年3月16日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
最新《高级算法》Advanced Algorithms,176页pdf
专知会员服务
90+阅读 · 2020年10月22日
专知会员服务
39+阅读 · 2020年9月6日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】TensorFlow手把手CNN实践指南
机器学习研究会
5+阅读 · 2017年8月17日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Tukey's Depth for Object Data
Arxiv
0+阅读 · 2021年9月1日
VIP会员
相关VIP内容
专知会员服务
76+阅读 · 2021年3月16日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
最新《高级算法》Advanced Algorithms,176页pdf
专知会员服务
90+阅读 · 2020年10月22日
专知会员服务
39+阅读 · 2020年9月6日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】TensorFlow手把手CNN实践指南
机器学习研究会
5+阅读 · 2017年8月17日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员