基于三元组的深度散列增量学习用于大脑网络分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 公共大脑网络数据集经常结合来自多个站点的数据,导致由于数据异质性而导致性能问题.
• 在不同地点收集数据的变化会对大脑网络分类模型的准确性产生负面影响.

研究的目的:

• 引入一种基于三元组的新型深度哈希增量学习 (Tri-DHIL) 方法,用于强大的大脑网络分类.
• 通过从单个站点实现增量学习来解决脑成像数据集中多源数据异质性的挑战.

主要方法:

• 三DHIL方法涉及三个阶段:站点队列生成,基于三元组的深度哈希学习和增量学习.
• 网站排名是基于样本数量和标签信息. 样品使用诊断标签进行聚类,以形成三胞胎 (,同一个群,不同的群).
• 深度哈希学习提取特征并将它们映射到哈希代码中. 增量学习调整模型参数,使用累积的三重组损失来防止灾难性遗忘.

主要成果:

• 在ABIDE I,ABIDE II和ADHD-200数据集上的实验结果证明了Tri-DHIL方法的有效性.
• 尽管来自多个站点的数据异质,但拟议的方法实现了竞争性分类性能.
• 增量学习成功地防止模型在整合新站点数据时忘记先前学习的特征.

结论:

• 三DHIL方法提供了一个有前途的解决方案,用于用多站点数据集对大脑网络进行分类.
• 增量学习对于将模型适应异质数据流而不会损害先前获得的知识至关重要.
• 这种方法通过处理现实世界的数据复杂性,提高了机器学习模型在神经成像研究中的实际应用性.