Shared Manifold Regularized Joint Feature Selection for Joint Classification and Regression in Alzheimer’s Disease Diagnosis

人工智能 特征选择 判别式 模式识别(心理学) 回归 计算机科学 机器学习 线性判别分析 子空间拓扑 正规化(语言学) 特征向量 回归分析 数学 统计
作者
Zhi Chen,Yongguo Liu,Yun Zhang,Jiajing Zhu,Qiaoqin Li,Xindong Wu
出处
期刊:IEEE transactions on image processing [Institute of Electrical and Electronics Engineers]
卷期号:33: 2730-2745 被引量:2
标识
DOI:10.1109/tip.2024.3382600
摘要

In Alzheimer's disease (AD) diagnosis, joint feature selection for predicting disease labels (classification) and estimating cognitive scores (regression) with neuroimaging data has received increasing attention. In this paper, we propose a model named Shared Manifold regularized Joint Feature Selection (SMJFS) that performs classification and regression in a unified framework for AD diagnosis. For classification, unlike the existing works that build least squares regression models which are insufficient in the ability of extracting discriminative information for classification, we design an objective function that integrates linear discriminant analysis and subspace sparsity regularization for acquiring an informative feature subset. Furthermore, the local data relationships are learned according to the samples' transformed distances to exploit the local data structure adaptively. For regression, in contrast to previous works that overlook the correlations among cognitive scores, we learn a latent score space to capture the correlations and employ the latent space to design a regression model with ℓ 2,1 -norm regularization, facilitating the feature selection in regression task. Moreover, the missing cognitive scores can be recovered in the latent space for increasing the number of available training samples. Meanwhile, to capture the correlations between the two tasks and describe the local relationships between samples, we construct an adaptive shared graph to guide the subspace learning in classification and the latent cognitive score learning in regression simultaneously. An efficient iterative optimization algorithm is proposed to solve the optimization problem. Extensive experiments on three datasets validate the discriminability of the features selected by SMJFS.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
roundtree完成签到 ,获得积分10
4秒前
吃的饱饱呀完成签到 ,获得积分10
6秒前
李华完成签到 ,获得积分10
12秒前
杨永佳666完成签到 ,获得积分10
12秒前
13秒前
苏苏完成签到 ,获得积分10
18秒前
leo完成签到,获得积分10
22秒前
刘丰完成签到 ,获得积分10
25秒前
燕晓啸完成签到 ,获得积分0
29秒前
123456完成签到 ,获得积分10
34秒前
清爽笑翠完成签到 ,获得积分10
46秒前
余味完成签到,获得积分10
57秒前
1分钟前
小张完成签到 ,获得积分10
1分钟前
Chris完成签到,获得积分10
1分钟前
danli完成签到 ,获得积分10
1分钟前
宓青文完成签到,获得积分20
1分钟前
贰鸟完成签到,获得积分0
1分钟前
有米饭没完成签到 ,获得积分10
1分钟前
余味应助科研通管家采纳,获得10
1分钟前
bkagyin应助科研通管家采纳,获得10
1分钟前
叶远望完成签到 ,获得积分10
1分钟前
tetrakis完成签到,获得积分10
1分钟前
鳄鱼队长完成签到,获得积分10
2分钟前
mzhang2完成签到 ,获得积分10
2分钟前
逍遥呱呱完成签到 ,获得积分10
2分钟前
2分钟前
小鱼女侠完成签到 ,获得积分10
2分钟前
GGBOND完成签到,获得积分10
2分钟前
研友_LwM4GZ完成签到,获得积分10
2分钟前
大方的笑萍完成签到 ,获得积分10
2分钟前
邓娅琴完成签到 ,获得积分10
2分钟前
CipherSage应助研友_LwM4GZ采纳,获得10
2分钟前
眼睛大冬日完成签到 ,获得积分10
2分钟前
先锋老刘001完成签到,获得积分10
2分钟前
史克珍香完成签到 ,获得积分10
2分钟前
研友_LwM4GZ给研友_LwM4GZ的求助进行了留言
2分钟前
科研小白完成签到 ,获得积分10
2分钟前
sun完成签到 ,获得积分10
2分钟前
2分钟前
高分求助中
【此为提示信息,请勿应助】请按要求发布求助,避免被关 20000
Les Mantodea de Guyane Insecta, Polyneoptera 2500
Computational Atomic Physics for Kilonova Ejecta and Astrophysical Plasmas 500
Technologies supporting mass customization of apparel: A pilot project 450
Brain and Heart The Triumphs and Struggles of a Pediatric Neurosurgeon 400
Cybersecurity Blueprint – Transitioning to Tech 400
Mixing the elements of mass customisation 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3782723
求助须知:如何正确求助?哪些是违规求助? 3328104
关于积分的说明 10234483
捐赠科研通 3043104
什么是DOI,文献DOI怎么找? 1670442
邀请新用户注册赠送积分活动 799702
科研通“疑难数据库(出版商)”最低求助积分说明 758994