深度集成与迁移学习在双相障碍和精神分裂症分类中的性能提升机制
人工智能
2026-04-03 v1
摘要
迁移学习 (TL) 和深度集成学习 (DE) 最近被证明在分类精神障碍时优于简单机器学习方法，但仍缺乏对其为何奏效的理解。本文旨在理解 DE 和 TL 如何降低双相障碍 (BD) 和精神分裂症 (SCZ) 单主体分类模型的变动性。为此，我们调查了 TL 和 DE 模型的训练稳定性。对于两种分类任务，我们比较了使用相同骨干网络但不同初始化进行的多次训练结果，从而纳入模型参数估计不确定性所固有的认识不确定性。结果表明，结合 TL 和 DE 可显著提升分类器的性能。基于这些结果，我们进一步探讨了：i) DE 在分类 BD 和 SCZ 从健康对照时，需要多少模型才能受益于性能提升；ii) TL 如何在有无 DE 的情况下诱导更好的泛化。在第一情况下，我们证明 DE 当包含10个模型时即可达到性能平台期。在第二情况下，我们发现使用预训练模型可使 TL 模型在相同的预训练下保持在损失函数的同一浴中，这一点对于使用随机初始化权重的深度学习模型则不成立。
引用
@article{arxiv.2604.02002,
title = {How and why does deep ensemble coupled with transfer learning increase performance in bipolar disorder and schizophrenia classification?},
author = {Sara Petiton and Antoine Grigis and Benoit Dufumier and Edouard Duchesnay},
journal= {arXiv preprint arXiv:2604.02002},
year = {2026}
}