MTSK-DA: Interpretable Multicenter Transfer via Discriminative Alignment and Attention-Guided Graph Regularization

doi:10.1109/TFUZZ.2026.3685305

MTSK-DA: Interpretable Multicenter Transfer via Discriminative Alignment and Attention-Guided Graph Regularization

2026-04-29

0

PRE

AI

DOI：10.1109/TFUZZ.2026.3685305

原文链接

原文求助

摘要

En 中文

多中心学习面临三大交织挑战——分布异质性、类别模糊性以及对可解释性的追求。我们引入MTSK-DA：基于判别对齐和注意力引导图正则化的可解释多中心迁移方法，这是一种Takagi–Sugeno–Kang模糊框架，通过级联基础-辅助-目标层次结构来传播知识，同时尊重各站点样本的特异性。在每个辅助中心，判别统计对齐最小化边际和条件类差异。同时，它排斥类间离群点以创建更清晰的决策边界和校准的可迁移规则库。目标模型进一步通过多中心注意力正则化拉普拉斯图进行优化，该图将类内吸引和类间排斥注意力信号叠加到拉普拉斯亲和图上，在保持流形几何的同时放大语义间隔。将这些基于统计且具有注意力感知能力的模块嵌入到可解释的模糊骨干网络中，实现了清晰度与性能的统一。广泛的跨中心评估一致表明，MTSK-DA显著提升了类别可分性和准确率，在分布漂移条件下显著超越现有最优的领域对齐和模糊基准方法。通过在可解释框架内融合判别对齐与注意力引导图正则化，MTSK-DA为异构中心间的可信且可迁移识别开辟了一条引人注目的路径。

Keyword:

Attention-guided graph regularization

discriminative alignment

multicenter learning

Takagi–Sugeno–Kang (TSK) fuzzy system

transfer learning

MTSK-DA: Interpretable Multicenter Transfer via Discriminative Alignment and Attention-Guided Graph Regularization

摘要

期刊

机构

引用论文