面向高维神经影像数据的多核学习与自动子空间相关确定
机器学习
2017-06-06 v1 神经元与认知
机器学习
摘要
阿尔茨海默病是痴呆的主要病因。其诊断需要对该疾病阶段敏感的准确生物标志物。在这方面，我们将概率分类视为设计用于疾病分期的概率生物标志物的方法。概率生物标志物自然支持对决策的解释以及对其相关不确定性的评估。在本文中，我们通过高斯过程获得概率生物标志物。高斯过程实现了概率核机器，为完成多核学习提供了灵活手段。利用这种灵活性，我们提出了自动相关确定的一种新变体，并通过多核应对高维挑战。我们的研究结果表明，即使在单核学习情况下，高斯过程模型在分类性能上也具有竞争力或优于著名的支持向量机。将基本方案扩展至多核学习，我们提高了高斯过程模型的有效性以及其在疾病已知解剖相关物方面的可解释性。例如，疾病病理始于海马体及内嗅皮层内外。通过使用高斯过程和多重核学习，我们自动且高效地确定了神经影像数据的那些部分。除了可解释性外，在类似设置下，我们的高斯过程模型与近期深度学习方案相比具有竞争力。
引用
@article{arxiv.1706.00856,
title = {Multiple Kernel Learning and Automatic Subspace Relevance Determination for High-dimensional Neuroimaging Data},
author = {Murat Seckin Ayhan and Vijay Raghavan and Alzheimer's disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:1706.00856},
year = {2017}
}
备注
The material presented here is to promote the dissemination of scholarly and technical work in a timely fashion. Data in this article are from ADNI (adni.loni.usc.edu). As such, ADNI provided data but did not participate in writing of this report