从高维fMRI数据稳定选择含信息冗余特征的新方法
计算机视觉与模式识别
2016-05-26 v2 机器学习
机器学习
摘要
特征选择是最重要的组成部分之一，因为它不仅有助于提高分类精度，而且（甚至更为重要）提供了潜在的生物标记物发现。然而，在极高维特征空间和极少训练样本的情况下，传统多变量方法很可能获得不稳定且不可靠的结果，其中特征往往相关或冗余。为了改善所发现潜在生物标记物的稳定性、泛化性和可解释性，并增强所得分类器的鲁棒性，需要同时选择冗余但信息丰富的特征。因此我们引入了一种新颖的特征选择方法，它结合了近期实现的稳定性选择方法和弹性网络方法。我们的方法在更好地控制错误发现和遗漏发现方面的优势，以及所得潜在生物标记物更好的可解释性，在合成和真实fMRI实验中均得到验证。此外，我们率先证明了受益于引入稳定性选择的特征选择鲁棒性，并也率先证明了经典单变量双样本t检验方法可能存在的非鲁棒性。具体而言，我们展示了在存在噪声（错误）训练标签时我们特征选择结果的鲁棒性，以及基于我们特征选择结果所得分类器在存在数据变异时的鲁棒性，这通过多中心注意缺陷/多动障碍（ADHD）fMRI数据得以展示。
引用
@article{arxiv.1506.08301,
title = {A Novel Approach for Stable Selection of Informative Redundant Features from High Dimensional fMRI Data},
author = {Yilun Wang and Zhiqiang Li and Yifeng Wang and Xiaona Wang and Junjie Zheng and Xujuan Duan and Huafu Chen},
journal= {arXiv preprint arXiv:1506.08301},
year = {2016}
}