CAREER: Probabilistic Models for Spatiotemporal Data with Applications to Dynamic Brain Connectivity

职业：时空数据的概率模型及其在动态大脑连接中的应用

基本信息

批准号：
2046795
负责人：
Oluwasanmi Koyejo
金额：
$ 62.5万
依托单位：
University of Illinois at Urbana-Champaign
依托单位国家：
美国
项目类别：
Continuing Grant
财政年份：
2021
资助国家：
美国
起止时间：
2021-05-01 至 2026-04-30
项目状态：
未结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=2046795&HistoricalAwards=false
关键词：
CAREER Probabilistic Models Spatiotemporal Data

项目摘要

Probabilistic models are among the most promising tools for complex spatiotemporal data. However, transforming this promise to practical impact requires easy-to-deploy tools that appropriately address existing roadblocks. This project develops new tools for accurate and scalable probabilistic machine learning with spatiotemporal data. Furthermore, the approach is motivated by applications to mapping dynamic brain connectivity from human brain imaging data. The importance of dynamic brain connectivity lies in its description of neural information processing mechanisms, along with potentially transformative applications to understanding and treating neurological and neuropsychiatric disorders. This project will develop new techniques for estimating brain connectivity and apply these methods to the neuroscientific tasks of explaining inter-individual differences in cognition and behavior. This project will include curriculum development on probabilistic models for spatiotemporal data. This project also plans to involve participation by graduate students from underrepresented groups. This project creates a transformative new direction for modeling high-dimensional spatiotemporal data by addressing the fundamental challenges of modeling, scalability, and mitigating data biases. The first challenge is modeling, which refers to the inflexible assumptions of existing spatiotemporal models -- leading to under-fitting. To this end, this project develops modular probabilistic models that capture structured variability. Another pressing challenge is the computational scalability of inference and learning for such probabilistic models. This project tackles scalability by developing principled sample-selection methods for scalable approximate inference with performance guarantees. A third challenge is data bias, which occurs because data from a single source is often not statistically representative. Thus, models fit using single-source data have inconsistent and non-reproducible results. This project addresses data bias by combining data across multiple sources using novel federated learning for shared estimation without requiring direct data sharing. In addition to developing the algorithmic and theoretical frameworks for these directions, this project will also build and release open software.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.

概率模型是复杂时空数据最有前途的工具之一。然而，要将这一承诺转化为实际影响，需要易于部署的工具来适当解决现有的障碍。该项目开发了新工具，用于利用时空数据进行准确且可扩展的概率机器学习。此外，该方法的动机是从人脑成像数据映射动态大脑连接的应用程序。动态大脑连接的重要性在于它对神经信息处理机制的描述，以及理解和治疗神经和神经精神疾病的潜在变革性应用。该项目将开发估计大脑连接性的新技术，并将这些方法应用于解释个体间认知和行为差异的神经科学任务。该项目将包括时空数据概率模型的课程开发。该项目还计划让来自代表性不足群体的研究生参与。该项目通过解决建模、可扩展性和减轻数据偏差的基本挑战，为高维时空数据建模创造了一个变革性的新方向。第一个挑战是建模，这是指现有时空模型的不灵活假设——导致欠拟合。为此，该项目开发了捕获结构化变异性的模块化概率模型。另一个紧迫的挑战是此类概率模型的推理和学习的计算可扩展性。该项目通过开发有原则的样本选择方法来解决可扩展性问题，该方法用于可扩展的近似推理并保证性能。第三个挑战是数据偏差，这是因为来自单一来源的数据通常不具有统计代表性。因此，使用单源数据拟合的模型会产生不一致且不可重现的结果。该项目通过使用新颖的联合学习来组合多个来源的数据来解决数据偏差，以进行共享估计，而无需直接数据共享。除了开发这些方向的算法和理论框架外，该项目还将构建和发布开放软件。该奖项反映了 NSF 的法定使命，并通过使用基金会的智力价值和更广泛的影响审查标准进行评估，被认为值得支持。

项目成果

期刊论文数量（17）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Deep Learning–Based Digitally Reconstructed Tomography of the Chest in the Evaluation of Solitary Pulmonary Nodules: A Feasibility Study

基于深度学习的胸部数字重建断层扫描评估孤立性肺结节：可行性研究

DOI：
10.1016/j.acra.2022.05.005
发表时间：
2022-06
期刊：
Academic Radiology
影响因子：
4.8
作者：
Pyrros, Ayis;Chen, Andrew;Rodríguez;Borstelmann, Stephen M.;Cole, Patrick A;Horowitz, Jeanne;Chung, Jonathan;Nikolaidis, Paul;Boddipalli, Viveka;Siddiqui, Nasir;et al
通讯作者：
et al

Secure Byzantine-Robust Distributed Learning via Clustering

通过集群实现安全的拜占庭式鲁棒分布式学习

DOI：
发表时间：
2021-10-06
期刊：
ArXiv
影响因子：
0
作者：
R. K. Velicheti;Derek Xia;Oluwasanmi Koyejo
通讯作者：
Oluwasanmi Koyejo

CoPur: Certifiably Robust Collaborative Inference via Feature Purification

CoPur：通过特征纯化进行可证明的鲁棒协作推理

DOI：
发表时间：
2022-12
期刊：
Advances in neural information processing systems
影响因子：
0
作者：
Liu, Jing;Xie, Chulin;Koyejo, Sanmi;Li, B
通讯作者：
Li, B

A Nonconvex Framework for Structured Dynamic Covariance Recovery}

结构化动态协方差恢复的非凸框架}

DOI：
发表时间：
2022-01
期刊：
Journal of machine learning research
影响因子：
6
作者：
Tsai, Katherine;Kolar, Mladen;Koyejo, Oluwasanmi
通讯作者：
Koyejo, Oluwasanmi

Controllable Radiance Fields for Dynamic Face Synthesis

用于动态人脸合成的可控辐射场

DOI：
发表时间：
2022-01
期刊：
3DV
影响因子：
0
作者：
Zhuang, Peiye;Ma, Liqian;Koyejo, Oluwasanmi;Schwing, Alexander
通讯作者：
Schwing, Alexander

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Oluwasanmi Koyejo其他文献

MRIQC: Advancing the automatic prediction of image quality in MRI from unseen sites

MRIQC：推进从看不见的部位自动预测 MRI 图像质量

DOI：
10.1101/111294
发表时间：
2016-04-29
期刊：
PLoS ONE
影响因子：
3.7
作者：
O. Esteban;Daniel Birman;M. Schaer;Oluwasanmi Koyejo;R. Poldrack;Krzysztof J. Gorgolewski
通讯作者：
Krzysztof J. Gorgolewski