原始空间多核学习用于多模态阿尔茨海默病分类
机器学习
2013-10-04 v1 计算工程、金融与科学
摘要
为了实现阿尔茨海默病（AD）的有效和高效检测，许多机器学习方法已被引入该领域。然而，训练样本有限的一般情况以及不同的特征表示通常使这一问题具有挑战性。在这项工作中，我们提出了一种新颖的多核学习框架，用于结合多模态特征进行 AD 分类，该框架可扩展且易于实现。与通常在双空间求解问题的方法相反，我们从新的视角审视优化问题。通过对高斯核进行傅里叶变换，我们显式计算映射函数，从而在原始空间中获得更直接的解。此外，我们对核权重施加混合 范数约束（即组套索正则化），以强制不同特征模态间的组稀疏性。这实际上起到了特征模态选择的作用，同时利用了不同核之间的互补信息。因此，它能够提取最具判别力的特征用于分类。在 ADNI 数据集上的实验证明了所提方法的有效性。
引用
@article{arxiv.1310.0890,
title = {Multiple Kernel Learning in the Primal for Multi-modal Alzheimer's Disease Classification},
author = {Fayao Liu and Luping Zhou and Chunhua Shen and Jianping Yin},
journal= {arXiv preprint arXiv:1310.0890},
year = {2013}
}
备注
7 pages. Appearing in IEEE Journal of Biomedical and Health Informatics