自定进度半监督特征选择网络

即买即装

能动态评估伪标签可靠性，降低错误监督对模型学习的负面影响，在ADNI多模态分类任务上验证有效。

张朝 · Fan, Wentao · Bo, Wang · 陈春林 · 李华雄

Information Fusion 2024

技术优势

减少错误标签影响

通过自定进度学习为每个未标注样本分配权重，自动降低不可靠伪标签的贡献，避免错误监督损害模型。

多模态特征选择

将多模态生物医学数据投影到公共标签空间并进行判别性特征选择，保留邻域结构，有利于后续融合和分类。

分类性能优越

在ADNI数据集上实验结果表明，该方法优于现有方法，验证了其有效性。

应用场景

• 阿尔茨海默病诊断：利用多模态数据自动选择判别性特征，辅助医生提高诊断分类准确性。
• 多模态医学影像融合：将不同模态数据投影到公共空间并融合，提升特征表达和分类性能。
• 半监督医疗数据分析：在标签稀缺时有效利用未标注数据，通过可靠的伪标签学习降低标注成本。