迈向非欧几里得空间中的空间清晰 AI 分类：在 MxIF 肿瘤学数据中的应用
图像与视频处理
2025-04-25 v2 人工智能
机器学习
摘要
给定来自不同位置类型的多类别点集，我们的目标是开发一种空间清晰的分类器，能够基于点的排列区分两个类别。该问题对于许多应用至关重要，例如在肿瘤学中分析免疫 - 肿瘤关系和设计新型免疫疗法。由于空间变异性和可解释性需求，该问题具有挑战性。先前提出的技术需要密集的训练数据，或者处理单一位置类型内显著空间变异性的能力有限。最重要的是，这些深度神经网络 (DNN) 方法并非设计用于在非欧几里得空间（特别是点集）中工作。现有的非欧几里得 DNN 方法局限于“一刀切”的方式。我们探索了一种空间集成框架，该框架明确利用不同的训练策略，包括加权距离学习率和空间域自适应，针对各种位置类型进行空间清晰分类。在真实世界数据集（例如 MxIF 肿瘤学数据）上的实验结果表明，所提出的框架比基线方法提供了更高的预测精度。
引用
@article{arxiv.2402.14974,
title = {Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An Application for MxIF Oncology Data},
author = {Majid Farhadloo and Arun Sharma and Jayant Gupta and Alexey Leontovich and Svetomir N. Markovic and Shashi Shekhar},
journal= {arXiv preprint arXiv:2402.14974},
year = {2025}
}
备注
SIAM International Conference on Data Mining (SDM24)