跨类别标签多集成成分识别方法（MILCCI）
机器学习
2026-02-05 v1 神经元与认知
定量方法
机器学习
摘要
许多领域通过重复测量收集大规模时间序列数据，其中每一次测量都标记有一组跨越多个类别的元数据变量。例如，神经科学研究中的一次测量可能链接到类别 (a) 中的任务难度值，以及类别 (b) 中的动物选择值。时间序列分析中的一个关键挑战是理解这些标签是如何编码在多次测量中，并离散化每个标签条目在不同类别中的独特影响。本文提出 MILCCI，一种新颖的数据驱动方法：i)识别数据中可解释的成分，ii)捕获跨测量的变异性，iii)整合标签信息以理解每个类别在数据中表示的方式。MILCCI 扩展了稀疏的 per-measurement 分解，利用每个类别中标签的相似性，以启用标签驱动的跨测量细微调整的成分组成，并区分每个类别的贡献。MILCCI 还学习每个成分对应的时间轨迹，该轨迹在每个测量中随时间演化，并在测量之间灵活变化。我们通过合成数据和真实世界案例演示了 MILCCI 的性能，包括投票模式、在线页面浏览趋势以及神经元记录。
引用
@article{arxiv.2602.04270,
title = {Multi-Integration of Labels across Categories for Component Identification (MILCCI)},
author = {Noga Mudrik and Yuxi Chen and Gal Mishne and Adam S. Charles},
journal= {arXiv preprint arXiv:2602.04270},
year = {2026}
}