Distâncias com validação cruzada aprimoradas para análise de padrões multivariados

Caracterizar a dissimilaridade das representações neurais entre as condições experimentais e rastreá-la ao longo do tempo é um objetivo central da análise de padrões multivariados. Tanto indivíduos como organizações que trabalham com arXivLabs abraçaram e aceitaram nossos valores de abertura, comunidade, excelência e privacidade dos dados do usuário.

ArXiv está comprometido com esses valores e só trabalha com parceiros que os aderem. Tem uma ideia de um projeto que agregue valor à comunidade arXiv? .

Saiba mais sobre o arXivLabs. Resumo: Caracterizar a dissimilaridade das representações neurais entre condições experimentais e rastreá-la ao longo do tempo é um objetivo central da análise de padrões multivariados.

(2018) avaliaram a confiabilidade de muitas das medidas que podem ser usadas para esse fim em dados MEG e recomendaram o uso da distância euclidiana com validação cruzada ou da distância de Pearson corrigida dentro da classe. Neste comentário, mostramos que podemos melhorar essas distâncias.

Primeiro, mostramos que a distância euclidiana validada cruzada é equivalente a uma soma de distâncias entre partições e que esta equivalência pode ser aproveitada para obter uma variante generalizada, com maior confiabilidade e precisão. Em segundo lugar, usamos a relação entre a distância euclidiana e a correlação de Pearson para definir uma distância de correlação com validação cruzada de maneira semelhante.

A distância resultante é mais precisa e interpretável do que uma formulação proposta por Guggenmos e colegas.

Fonte