基于脑sMRI的稳定特征选择
机器学习
2015-03-26 v1 机器学习
摘要
神经影像分析通常涉及仅使用有限数量的样本来学习数千甚至数百万个变量。在这方面，稀疏模型（例如 lasso）被用于选择最优特征并实现高诊断准确率。然而，lasso 通常导致独立的、不稳定的特征。稳定性作为统计结果在数据与模型遭受合理扰动时的可复现性的体现，是统计学中的一个重要关注点，尤其在高维数据分析中。本文中，我们探索了一种非负广义融合 lasso 模型，用于阿尔茨海默病诊断中的稳定特征选择。除稀疏性外，我们的模型融入了两个重要的病理先验：病灶体素的空间凝聚性以及特征与疾病标签之间的正相关性。为优化该模型，我们通过锥对偶证明了全变分与快速网络流算法之间的新颖联系，从而提出一种高效算法。实验表明，所提出的非负模型通过选择稳定特征来探索数据内在结构方面，性能远优于其他现有最优方法。
引用
@article{arxiv.1503.07508,
title = {Stable Feature Selection from Brain sMRI},
author = {Bo Xin and Lingjing Hu and Yizhou Wang and Wen Gao},
journal= {arXiv preprint arXiv:1503.07508},
year = {2015}
}