面向二分类的大规模度量对象筛选及其在异常脑连接检测中的应用
统计方法学
2024-03-20 v1 应用统计
摘要
对无向量结构的度量空间中的随机对象进行分类已引起越来越多的关注。然而，此类非欧几里得数据固有的复杂性常常限制现有模型只能处理有限数量的特征，从而在实际应用中留下空白。为解决此问题，我们提出了一种数据自适应筛选程序，利用定义在度量空间上的新型柯尔莫哥洛夫-斯米尔诺夫型统计量，从大规模随机对象中识别信息性特征。我们的方法适用于具有二值标签的一般度量空间数据，展现出显著的灵活性。它具有免模型特性，因为其实现不依赖于任何指定的分类器。理论上，它在保证确定筛选性质的同时控制错误发现率。在实证方面，配备瓦瑟斯坦度量后，与欧几里得竞争者相比，它展示了更优的样本性能。当应用于分析一个自闭症数据集时，我们的方法识别出与该病症相关的重要脑区。此外，通过筛选代表各种脑连接的数十万个协方差矩阵，它揭示了自闭症患者与非自闭症个体之间这些脑区截然不同的交互模式。
引用
@article{arxiv.2403.12624,
title = {Large-scale metric objects filtering for binary classification with application to abnormal brain connectivity detection},
author = {Shuaida He and Jiaqi Li and Xin Chen},
journal= {arXiv preprint arXiv:2403.12624},
year = {2024}
}