用于脑解码迁移学习的域无关支持向量机
机器学习
2025-09-22 v1 计算机视觉与模式识别
机器学习
摘要
脑成像数据在脑科学中十分重要，但获取成本高，具有大样本维度（即大p）和小样本量（即小n）的特点。为解决此问题，迁移学习是一种有前景的方向，它利用源数据提升相关目标数据的性能。大多数迁移学习方法侧重于最小化数据分布失配。然而，脑成像中的一个巨大挑战是认知实验设计以及受试者特定结构与功能上的大域差异。近期一种迁移学习方法通过希尔伯特-施密特独立性准则（HSIC）最小化域依赖性以学习跨域公共特征。受该方法启发，我们提出一种新的域无关支持向量机（DI-SVM）用于脑状态解码中的迁移学习。具体而言，DI-SVM通过简化的HSIC同时最小化SVM经验风险和对域信息的依赖性。我们利用公开数据构建了13项脑解码迁移学习任务，包括三项有趣的多源迁移任务。实验表明，在这些任务上DI-SVM优于八种竞争方法，尤其在多源迁移任务上提升超过24%。
引用
@article{arxiv.1903.11020,
title = {Domain Independent SVM for Transfer Learning in Brain Decoding},
author = {Shuo Zhou and Wenwen Li and Christopher R. Cox and Haiping Lu},
journal= {arXiv preprint arXiv:1903.11020},
year = {2025}
}