AI with River AI with River

3. Results 3.1. The SBI-VEP against source-level epileptic patterns 제공된 그림에는 베이지안 추론을 이용한 간질성 뇌 활동에 대한 공간적 분포 맵의 추정과 관련된 네 가지 주요 부분이 나타나 있습니다. A)Observed source activity (관찰된 소스 활동): 뇌의 다양한 영역에서 관찰된 신경 활동의 시간에 따른 변화를 보여줍니다. 여기서 각 선은 뇌의 특정 영역에서의 실제 전기적 활동을 나타내며, 색상은 간질성 영역(EZ: epileptogenic zone)을 나타내는 빨간색과 전파 영역(PZ: propagation zone)을 나타내는 노란색으로 구분되어 있습니다. B) Predicted source activity (예측된 소스 활동..

2.6. Amortized Bayesian inference (이어서) Amortized Inference: Amortized 추론은 모델의 매개변수를 추정하기 위해 사용됩니다. 특히, 개별 데이터 포인트나 관측마다 복잡한 계산을 반복하는 대신, 하나의 모델을 훈련하여 여러 데이터 포인트에 대한 사후 분포를 신속하게 추정하는 데 사용합니다. 이는 각각의 데이터 포인트에 대한 복잡한 최적화 과정을 피하기 위한 것으로, 효율성과 계산 속도를 크게 향상시키는 방법입니다. Amortized 추론을 사용하면 한 번의 계산으로 모델을 '평균화'하여 여러 데이터에 적용할 수 있으므로, 계산 비용이 적은 경우에 유용합니다. Normalizing Flows (NFs): NFs는 복잡한 확률 분포를 정확하게 모델링하기 위..

Abstract 이 논문에서는 간질에 대한 전체 뇌 모델링을 통해 개인화된 해부학적 데이터와 동적 모델을 결합하여 뇌 영상 데이터에서 관찰된 시공간적 발작 패턴을 생성하는 방법에 대해 다룹니다. 특히, 전체 뇌 규모에서 가능성 함수의 계산이 어려운 문제를 해결하기 위해 심층 신경 밀도 추정기를 사용한 Amortized Bayesian 추론을 소개합니다. 이 방법은 조건부 밀도 추정을 위한 최신 심층 학습 알고리즘을 사용하여, 매개변수와 관찰 사이의 통계적 관계를 쉽게 찾아낼 수 있도록 합니다. 연구의 목적은 지역적 및 전역적 뇌 동작에 대한 추론과 예측을 향상시키는 것입니다. 1. Introduction 간질은 전 세계적으로 5천만 명의 사람들에게 영향을 미치는 신경학적 장애입니다. 특히, 집중성 간질의..

이 이미지에 있는 알고리즘은 GAN(Generative Adversarial Networks)의 훈련 절차를 나타내는 의사코드(pseudocode)입니다. 이 과정은 미니배치(minibatch) 확률적 경사 하강법(stochastic gradient descent, SGD)을 사용하여 감별자(Discriminator)와 생성자(Generator)를 번갈아 가며 업데이트하는 방식을 기술하고 있습니다. 여기서 각 단계를 설명드리면 다음과 같습니다: 1. 감별자 업데이트(훈련) - 감별자를 훈련시키기 위해, 먼저 노이즈 분포 \( p_g(z) \)로부터 \( m \)개의 노이즈 샘플 \( z^{(1)}, ..., z^{(m)} \)을 뽑습니다. 이 노이즈는 생성자가 새로운 데이터를 생성하는 데 사용됩니다. -..

1. 개념 GAN(Generative Adversarial Network, 생성적 적대 신경망)은 이름에서도 알 수 있듯이, 생성적 모델과 적대적 모델이 함께 경쟁하며 학습하는 기법입니다. GAN을 이해하기 쉽게 설명하기 위해, "위조화가와 경찰"의 비유를 사용할 수 있습니다. 위조화가(Generator) 위조화가는 진짜와 똑같은 그림을 그리려고 노력합니다. 즉, GAN에서 생성자(Generator)는 진짜 데이터와 구분할 수 없는 가짜 데이터를 생성하려고 합니다. 처음에는 그림 실력이 부족해서 만든 작품이 진짜와 많이 다를 수 있지만, 시간이 지나면서 점점 진짜 같은 작품을 만들어냅니다. 경찰(Discriminator) 경찰은 위조된 그림과 진짜 그림을 구분하려고 합니다. GAN에서 감별자(Discri..