Riemannian geometry meets fMRI: the advantages of modeling correlation manifolds and eigenvector subspaces
本論文は、相関行列にOff–log計量を用い、固有ベクトル解析にグラスマン多様体部分空間識別を利用することで、標準的な機械学習ワークフローとの互換性を維持しつつ、fMRIベースの脳ネットワークモデリングの感度と予測性能を向上させる、スケーラブルな幾何学的フレームワークを導入するものである。