35、联合数据协调与分类及渐进式图基转导学习在脑部疾病分类中的应用

联合数据协调与分类及渐进式图基转导学习在脑部疾病分类中的应用

在医学研究中，数据协调与疾病分类以及脑部疾病的准确分类是重要的研究方向。本文将介绍联合数据协调与分类的方法，以及渐进式图基转导学习在脑部疾病多模态分类中的应用。

联合数据协调与分类

在处理联合数据集时，通常会有四个子集根据年龄等人口统计学分数进行匹配。联合集中的每个样本 $s$ 由图像特征向量 $x_s$ 和标签 $y_s$ 表示，若 $s \in S_A$，则 $y_s = -1$；若 $s \in S_B$，则 $y_s = +1$。假设 $S_A$ 和 $S_B$ 之间的采集差异会线性影响图像特征。

为了从这个联合集中提取疾病分离模式，我们先回顾了顺序模型的数据协调和分类训练，然后提出通过最小化单个能量函数同时对这两个任务进行参数化。

顺序协调与分类

• 线性回归模型训练 ：训练用于数据协调的线性回归模型，目的是对矩阵 $U$ 进行参数化，使其最小化联合数据集中 $n_C$ 个对照样本的推断值 $U \cdot [1 y_s]^{\top}$（1 是线性模型的偏置项）与原始图像分数 $x_s$ 之间的差异（相对于 $l_2$ 范数 $|\cdot | 2$），即：
  $\hat{U} := \arg \min_U h_C(U)$，其中 $h_C(U) := \frac{1}{n_C} \sum {s = 1}^{n_C} |U \cdot [1 y_s]^{\top} - x_s|_2^2$。
• 逻辑回归分类器训练 ：在两个疾病队列的