跨组学高精度分类
通过抑制冗余特征并聚合跨模态样本结构，实现对多组学数据高置信度的细胞类型分类。
Zheng, Xiao · Wang, Minhui · 黄恺 · En, Zhu
Information Fusion 2024
通过特征置信度学习机制，降低无贡献特征维度的权重，同时增强判别性特征表达，提升样本区分度。
利用图卷积网络分支学习每个模态的结构保持特征表示，捕获模态内固有的样本结构信息，增强融合特征的判别能力。
通过 Transformer 诱导的全局与跨模态特征聚合模块，学习不同模态间的共识表示，提升最终分类准确性。
通过视图专有的一致性保持对比学习策略增强共识表示，进一步提高分类鲁棒性。