イスマイル・フセイノフ氏らは2026年11月5日(現地時間)、ArXiv cs.LGにて、M/EEGソースイメージングにおける不確実性の定量化と較正のためのシミュレーションベースのフレームワークを発表した。この研究は、経験的ベイズ逆推定法に閉形式の条件付きガウス事後要約を適用し、不確実性推定の信頼性を高めることを目的としている。
本研究は、ベイズ最小ノルム (BMN) とsLORETA深度重み付け、およびスパースベイズ学習 (SBL) とスパース基底場拡張 (S-FLEX) を比較検討している。
BMNに関しては、エビデンス最大化を通じて共同のソース・ノイズ分散更新を導出した。適応型ノイズ学習が較正された不確実性をもたらすかを検証した結果、両手法ともに残存する誤較正を示すため、経験的カバレッジを用いた事後的単調較正 (isotonic recalibration) を提案している。
較正前では、SBL+S-FLEXがBMN+sLORETAよりも低いワッサースタイン局所化誤差、より小さな事後不確実性、および名目上の確信度に近いカバレッジを示した。単調較正は両手法を改善し、特に保守的なBMN+sLORETA事後分布に対して大きな改善が見られた。実際の聴覚MEGデータにおいて、SBL+S-FLEXはBMN+sLORETAよりも局所的な局所化とより狭い不確実性を提供し、両側性聴覚ソースを特定するための統計的検出力向上を示唆している。
参考: arXiv cs.LG (アーカイブ) — 2026年11月6日 14:00 (JST)
原文ハイライト"SBL+S-FLEX provides more focal localization and tighter uncertainties than BMN+sLORETA"