Nov, 2013

多任务学习中的稀疏重叠集合 Lasso 及其在 fMRI 分析中的应用

PDF
TL;DR本文提出了一种新的过程叫稀疏重叠集 (SOS) Lasso，是一种自动选择相关学习任务的类似特征的凸优化方法，其解决了多任务学习中特征选择的问题，特别是在多主题 fMRI 研究中具有应用价值。
multitask learninggroup lassosparse overlapping sets (sos) lassoconvex optimizationfmri studies
发现论文，激发创造
  • 一种图结构的多任务回归和通用融合 Lasso 的高效优化方法

    本文提出了一种基于图的融合套索方法（GFlasso）用于结构化多任务回归问题，该方法利用了输出变量之间的图结构，通过融合惩罚函数鼓励高度相关的输出共享一组相关的输入，并提出了一种简单而有效的近端 - 梯度方法用于优化 GFlasso。

    May, 2010

  • 多任务学习中的任务分组与重叠学习

    提出一种基于稀疏系数和低维子空间的多任务学习框架，能够选择性地在相关任务间共享信息，实验结果显示该方法优于竞争方法。

    Jun, 2012

  • 广义伴随多任务 Lasso 用于稀疏多模态回归

    本研究提出了一种新的统计和计算解决方案，针对功能性脑成像的异方性回归模型，使用 Concomitant Lasso-type 估计器的表述框架，提出了一种联合凸优化公式来同时估计回归系数和噪声协方差（平方根），在解决更复杂的噪声结构时，计算效率不低于 Lasso 和 Concomitant Lasso，在多模态脑成像问题中与 M/EEG 数据相关的结果也得到了报道。

    May, 2017

  • 高维多元回归中支持联合恢复

    本文研究多元回归中的分组 Lasso，使用基于 L1/L2 范数的分块正则化进行支持融合恢复或恢复 B * 非零行的集合，证明了分组 Lasso 在高维缩放下对于问题序列 (n、p、s) 成功的阈值和失败的阈值，并使用模拟演示了理论结果的锐度。

    Aug, 2008

  • 迹 Lasso 的相关自适应子空间分割

    本文研究了子空间分割问题，提出了基于迹 Lasso 的自适应相关子空间分割（CASS）方法，用于同时对数据进行自动选择和相关性分组，以实现 SSC 和 LSR 之间的平衡。

    Jan, 2015

  • 在线稀疏流特征选择使用调整分类

    本研究提出了基于自适应分类的在线稀疏特征流式选择方法 (OS2FS-AC)，通过潜在因子分析 (LFA) 预估缺失数据，将特征划分为强相关、弱相关和不相关三类，并将其中的弱相关特征进一步进行信息分割，实验证明该方法在真实数据集上的表现优于现有算法。

    Feb, 2023

  • 多阶段多任务特征学习

    本文提出了一种基于新颖非凸正则化器的多任务稀疏特征学习的非凸公式，并提供了多阶段多任务特征学习算法的详细收敛和可重复性分析，理论分析指出该方法与现有凸公式相比较为优越，在合成和真实数据集上，实证研究表明 MSMTFL 比现有多任务稀疏特征学习算法更为有效。

    Oct, 2012

  • 使用联合特征选择和任务优化的实验设计范式

    使用 JOint 特征选择和任务优化算法，本文提出了一种子采样任务范式来解决数据驱动的任务特定实验设计和种群范围内的监督特征选择问题，并在定量 MRI 和高光谱成像等临床相关应用中证明了其优越性。

    Oct, 2022

  • LassoNet：一种带有特征稀疏性的神经网络

    LassoNet 是一个神经网络框架，它使用了全局特征选择。我们的方法使用了一个修改的目标函数来集成特征选择和参数学习，并且提供了正则化路径和稀疏性范围。在系统实验中，LassoNet 显著优于特征选择和回归的最新方法。

    Jul, 2019

  • 一种以对数生存全局搜索驱动的生物医学蛇优化系统用于特征选择优化及其在疾病识别中的应用

    通过采用机器学习技术自动预测病人情况，提高医疗实践的重要性。特征选择是一种用于修改数据、降低数据集维度、增强分类结果的工具。在相应数据集中，Tournament Logarithmic Snake Optimizer 在实验中达到了最佳准确度和最好的特征降维。

    Feb, 2024