DuSK：一种用于监督张量学习并保持双重结构的核及其在神经影像中的应用
机器学习
2014-08-06 v2
摘要
随着数据采集技术的进步，张量数据在许多应用中日益重要，监督张量学习问题已成为数据挖掘和机器学习社区的关键课题。传统的监督张量学习方法主要侧重于通过将张量展平为向量或矩阵来学习核，然而这会丢失张量内部的结构信息。在本文中，我们引入了一种新的方案来设计用于监督张量学习的保结构核。具体而言，我们展示了如何利用张量表示中自然存在的结构在核中编码先验知识。我们提出了一种基于双重张量映射的能够保持张量结构的张量核。双重张量映射函数可以将输入空间中的每个张量实例映射到特征空间中的另一个张量，同时保持张量结构。从理论上讲，我们的方法是将向量空间中的传统核扩展到张量空间。我们将这种新颖的核与支持向量机 (SVM) 结合，应用于真实的张量分类问题，包括三种不同疾病（即阿尔茨海默病、注意力缺陷多动障碍和 HIV 引起的脑损伤）的脑 fMRI 分类。大量的实证研究表明，我们提出的方法能有效提升张量分类性能，特别是在小样本情况下。
引用
@article{arxiv.1407.8289,
title = {DuSK: A Dual Structure-preserving Kernel for Supervised Tensor Learning with Applications to Neuroimages},
author = {Lifang He and Xiangnan Kong and Philip S. Yu and Ann B. Ragin and Zhifeng Hao and Xiaowei Yang},
journal= {arXiv preprint arXiv:1407.8289},
year = {2014}
}
备注
9 pages, 6 figures, conference,Proceedings of the 14th SIAM International Conference on Data Mining (SDM14), Philadelphia, USA, 2014