面向多模态神经影像数据的耦合支持张量机分类
机器学习
2022-01-20 v1 机器学习
统计方法学
摘要
多模态数据出现在各种应用中，其中关于同一现象的信息从多个传感器和不同成像模态获取。从多模态数据中学习在机器学习和统计学研究中备受关注，因为这提供了捕捉各模态间互补信息的可能性。多模态建模有助于解释异构数据源之间的相互依赖关系，发现单一模态可能无法获得的新见解，并改进决策。近年来，耦合矩阵-张量分解被引入用于多模态数据融合，以联合估计潜在因子并识别潜在因子间复杂的相互依赖关系。然而，大多数关于耦合矩阵-张量因子的先前工作聚焦于无监督学习，利用联合估计潜在因子进行监督学习的工作很少。本文考虑多模态张量数据分类问题。提出了一种建立在由先进耦合矩阵张量分解（ACMTF）联合估计的潜在因子之上的耦合支持张量机（C-STM）。C-STM将个体与共享潜在因子与多个核相结合，并为耦合矩阵张量数据估计一个最大间隔分类器。C-STM的分类风险被证明收敛于最优贝叶斯风险，使其成为统计一致的规则。C-STM通过仿真研究以及同步EEG-fMRI分析得到验证。经验证据表明，C-STM能够利用多源信息并提供优于传统单模态分类器的分类性能。
引用
@article{arxiv.2201.07683,
title = {Coupled Support Tensor Machine Classification for Multimodal Neuroimaging Data},
author = {Li Peide and Seyyid Emre Sofuoglu and Tapabrata Maiti and Selin Aviyente},
journal= {arXiv preprint arXiv:2201.07683},
year = {2022}
}