ARMA-C3：基于对比学习的ARMA卷积框架用于无监督和半监督分类
计算机视觉与模式识别
2026-05-26 v1
摘要
在生物医学和神经退行性疾病中，准确且早期的疾病识别仍具有挑战性，主要due to标注数据稀缺和影像模式的复杂性。为应对这些挑战，我们引入ARMA-C3，这是一个基于对比学习和图割正则化的统一无监督和半监督图学习框架，用于节点分类。通过将样本或图像建模为图节点并利用样本间关系，所提出的框架捕获了主体级依赖关系，而传统机器学习方法通常会忽略这一点。我们在五个临床相关数据集上开展了大规模二分类实验：阿尔茨海默病神经影像计划(ADNI)、面部失活性痴呆影像数据集(NIFD)以及三个医学影像基准数据集(BreastMNIST、PneumoniaMNIST以及一个肝脏超声数据集)。实验结果表明，ARMA-C3在多种评估设置下，尤其是在受限监督和严重类别不平衡的情况下，相较于经典聚类技术、最先进的机器学习模型和现有的基于图的深度学习方法，常常实现竞争性且优于后者的性能。该框架进一步展示了在 diverse biomedical 影像模态之间具备稳健的表征学习和强大的跨模态泛化能力。
引用
@article{arxiv.2605.25657,
title = {ARMA-C3: A Contrastive ARMA Convolutional Framework for Unsupervised and Semi-supervised Classification},
author = {VSS Tejaswi Abburi and Saurabh J. Shigwan and Nitin Kumar},
journal= {arXiv preprint arXiv:2605.25657},
year = {2026}
}