Sturm：面向fMRI的稀疏管状正则化多线性回归
计算机视觉与模式识别
2018-12-05 v1
摘要
尽管功能磁共振成像（fMRI）在医疗/神经科学应用中十分重要，但由于其多维结构、高维度和可用样本量少，分类与解释颇具挑战。近期基于张量的稀疏多线性回归方法正成为fMRI有前景的解决方案，但现有工作依赖展开/折叠操作以及紧性有限的张量秩松弛。新提出的张量奇异值分解（t-SVD）为新的方向提供了思路。在本工作中，我们研究用于稀疏多线性回归的t-SVD，并提出一种面向fMRI的稀疏管状正则化多线性回归（Sturm）方法。具体而言，Sturm模型执行带两个正则化项的多线性回归：基于t-SVD的管状张量核范数和标准L1范数。我们进一步在交替方向乘子法框架下推导出算法。我们在四个分类问题上进行实验，包括用于疾病诊断的静息态fMRI和用于神经解码的任务态fMRI。结果表明Sturm仅使用少量体素即在fMRI分类中表现优越。
引用
@article{arxiv.1812.01496,
title = {Sturm: Sparse Tubal-Regularized Multilinear Regression for fMRI},
author = {Wenwen Li and Jian Lou and Shuo Zhou and Haiping Lu},
journal= {arXiv preprint arXiv:1812.01496},
year = {2018}
}
备注
10 pages, 4 figures