SLR:一个修改后勤回归模型与Sinkhorn分歧用于阿尔茨海默氏症疾病分类
Qipeng Zhan1, Zhuoping Zhou1, Zixuan Wen1
1University of Pennsylvania, Philadelphia, PA, USA.
概括
辛克霍恩物流回归 (SLR) 通过结合数据几何学来增强机器学习分类. 这种方法通过利用空间组织来提高结构化数据集的性能,例如脑成像.
科学领域:
- 机器学习 机器学习
- 计算神经科学是一种神经科学.
- 统计建模 统计建模
背景情况:
- 物流回归是对二进制分类任务的标准基线.
- 它优于分类特征,但忽视了数据的分布和几何结构.
- 结构化数据,如Voxel-Based Morphometry (VBM) 中的大脑成像,具有固有的空间组织,不能被标准模型捕获.
研究的目的:
- 引入Sinkhorn物流回归 (SLR),这是物流回归的一个新型变体.
- 通过结合几何信息来增强后勤回归在处理结构化数据方面的能力.
- 改进具有固有的空间或几何性质的数据集的分类性能.
主要方法:
- 通过将Sinkhorn分歧作为损失函数集成,提出了Sinkhorn逻辑回归 (SLR).
- 利用Sinkhorn分歧来捕捉数据分布的几何结构.
- 将修改后勤回归模型应用于具有结构特征的数据集,例如VBM数据.
主要成果:
- 辛克霍恩物流回归 (SLR) 有效地利用结构化数据的几何和分布性质.
- 拟议的方法在空间组织的数据集上,与标准物流回归相比,显示出更好的性能.
- 在使用结构化数据 (如神经成像) 的领域,SLR显示了提高分类准确性的潜力.
结论:
- 辛克霍恩逻辑回归 (SLR) 对结构化数据集的标准逻辑回归提供了显著的进步.
- 通过通过Sinkhorn分歧结合几何信息,SLR提高了模型解释复杂数据结构的能力.
- 这种方法对机器学习和计算神经科学中的应用具有前景,其中数据几何学是至关重要的.
