用于多模态数据的序列分类的纵向集成
机器学习
2025-07-09 v2 人工智能
摘要
有效建模多模态纵向数据是各类应用领域的迫切需求，尤其在医学领域。尽管如此，文献中针对该问题的几乎没有方法，且大多数方法未充分考虑数据的多模态性。本研究开发了多种配置的新型多模态和纵向学习框架——纵向集成 (Longitudinal Ensemble Integration, LEI)，用于序列分类。我们评估了 LEI 的性能，并将其与现有方法进行比较，针对的是痴呆早期检测，这是最受欢迎的多模态序列分类任务之一。由于采用了来自单个数据模态的中间基预测，LEI 在时间上的更好集成使其超越了这些方法。LEI 的设计还使我们能够识别在有效预测痴呆相关诊断方面始终重要的特征。总体而言，我们的工作证明了 LEI 在从纵向多模态数据进行序列分类方面的潜力。
引用
@article{arxiv.2411.05983,
title = {Longitudinal Ensemble Integration for sequential classification with multimodal data},
author = {Aviad Susman and Rupak Krishnamurthy and Yan Chak Li and Mohammad Olaimat and Serdar Bozdag and Bino Varghese and Nasim Sheikh-Bahaei and Gaurav Pandey},
journal= {arXiv preprint arXiv:2411.05983},
year = {2025}
}
备注
Accepted to IEEE ICDH 2025. This is the author's accepted manuscript (AAM). The final version will appear in the IEEE ICDH 2025 proceedings on IEEE Xplore