.png){kind=icon}
返回
Shift-aware sparse kronecker tensor classification
.png){kind=icon}
OA
AI
DOI：10.1007/s11222-026-10892-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维神经影像数据的疾病分类受限于跨受试者的空间不对齐问题。我们提出了一种循环移位逻辑稀疏克罗内克积分解（CS-SKPD）模型，将移位感知机制嵌入低秩张量回归框架中。通过生成自适应对齐的输入视图，该模型在稀疏空间分解的基础上提高了对解剖变异的鲁棒性并保持可解释性。理论分析在适用于逻辑损失的限制强凸条件下建立了渐近一致性。模拟研究展示了在噪声和不对齐情况下的准确信号恢复，并实现了分辨率与效率之间的良好权衡。应用于开放获取影像研究系列（OASIS）-1和阿尔茨海默病神经影像学计划（ADNI）-1的MRI数据时，该模型实现了有竞争力的分类性能，并识别出临床相关区域，如海马体和小脑。
Keyword:
Alzheimer's Disease
Tensor Regression
Sparse Kronecker Product Decomposition
Neuroimaging
Computational Statistics
期刊
S
IF:
1.6
论文数:
206
被引数:
1
机构
引用论文
Open access series of imaging studies (OASIS): Cross-sectional MRI data in young, middle aged, nondemented, and demented older adults开放获取系列影像学研究 (OASIS): 年轻，中年，非痴呆和痴呆老年人的横断面MRI数据
OAAI
.png){kind=icon}
OAAI分享收藏Unsupervised deep frequency-channel attention factorization to non-linear feature extraction: A case study of identification and functional connectivity interpretation of Parkinson's disease无监督的深度频率通道注意力分解到非线性特征提取: 帕金森病的识别和功能连通性解释的案例研究
PREAI
分享收藏Deep Wavelet Self-Attention Non-negative Tensor Factorization for non-linear analysis and classification of fMRI data基于深度小波自注意力非负张量分解的非线性分析和fMRI数据分类
PREAI
分享收藏分享收藏
查看更多内容