論文の概要: Graph-Guided Universum Learning in Generalized Eigenvalue Proximal SVMs for Alzheimer's Disease Classification
- arxiv url: http://arxiv.org/abs/2606.04699v1
- Date: Wed, 03 Jun 2026 10:24:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.681109
- Title: Graph-Guided Universum Learning in Generalized Eigenvalue Proximal SVMs for Alzheimer's Disease Classification
- Title（参考訳）: アルツハイマー病分類のための一般化固有値近位SVMにおけるグラフガイド付き大学学習
- Authors: Yogesh Kumar, Vrushank Ahire, Mudasir Ganaie,
- Abstract要約: アルツハイマー病(AD)の早期かつ正確な検出は、時間的介入と疾患管理に重要である。
本稿では、構造的MRIデータを用いて、AD対認知正規化(CN)分類のためのグラフ誘導大学学習モデルUG-GEPSVMとIUG-GEPSVMを提案する。
ICAとPCAの5つのノイズレベルにおける特徴を用いたADNI MRIデータセットの変異実験により、提案したモデルが既存のGEPSVMとUniversumベースの手法を一貫して上回っていることが示された。
- 参考スコア（独自算出の注目度）: 2.540939323541625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early and accurate detection of Alzheimer's disease (AD) is important for timely intervention and disease management. Generalized Eigenvalue Proximal Support Vector Machine (GEPSVM) and its Universum-based variants have shown promising results for AD classification. However, existing methods treat Universum samples as independent points and do not consider the geometric relationships among them. This paper proposes two graph-guided Universum learning models, namely UG-GEPSVM and IUG-GEPSVM, for AD versus cognitively normal (CN) classification using structural MRI data. In the proposed framework, mild cognitive impairment (MCI) subjects are used as Universum data to provide intermediate information between AD and CN classes. A graph is constructed over the Universum samples using Gaussian similarity, Minimum Spanning Tree connectivity, and multi-hop propagation. From this graph, a Laplacian matrix is derived that captures the geometric structure of the MCI samples. This Laplacian-based regularization is incorporated into the learning process in place of the conventional independent Universum penalty term. UG-GEPSVM integrates this regularization into the generalized eigenvalue formulation, while IUG-GEPSVM extends the numerically stable improved GEPSVM framework using a standard eigenvalue formulation. Experiments on ADNI MRI dataset variants using ICA- and PCA-based features at five different noise levels show that both proposed models consistently outperform existing GEPSVM and Universum-based methods. UG-GEPSVM achieves the highest average AUC of 88.07% and maintains stable performance under increasing noise levels. Statistical tests further confirm the significance of the observed improvements.
- Abstract（参考訳）: アルツハイマー病(AD)の早期かつ正確な検出は、時間的介入と疾患管理に重要である。
一般化固有値近似支援ベクトルマシン(GEPSVM)とその大学ベースの変種は、AD分類において有望な結果を示している。
しかし、既存の手法ではユニバーサム標本を独立点として扱い、それらの幾何学的関係を考慮していない。
本稿では、構造的MRIデータを用いて、AD対認知正規化(CN)分類のためのグラフ誘導大学学習モデルUG-GEPSVMとIUG-GEPSVMを提案する。
提案手法では, 軽度認知障害(MCI)の被験者を大学データとして用いて, ADクラスとCNクラスの中間情報を提供する。
ガウス類似性、最小スパンニングツリー接続性、マルチホップ伝搬を用いて、ユニバーサムサンプル上にグラフを構築する。
このグラフから、MCIサンプルの幾何学的構造を捉えるラプラシア行列が導出される。
このラプラシアンに基づく正規化は、従来の独立大学罰の項の代わりに学習プロセスに組み込まれている。
UG-GEPSVMはこの正規化を一般化固有値定式化に統合し、IUG-GEPSVMは標準固有値定式化を用いて数値的に安定な改良GEPSVMフレームワークを拡張した。
ICAとPCAをベースとした5つのノイズレベルにおけるADNI MRIデータセットの変異実験により、提案したモデルが既存のGEPSVMとUniversumベースの手法を一貫して上回っていることが示された。
UG-GEPSVMは88.07%の平均AUCを達成し、ノイズレベルの増加の下で安定した性能を維持している。
統計的検査は、観測された改善の重要性をさらに確認する。
関連論文リスト
- Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis [43.565183518761984]
生データの構造的再構成と意味的拡張を目的としたデータ中心型フレームワークであるDOGMAを提案する。
複雑な多種多様なベンチマークにおいて、DOGMA SOTA性能は優れたゼロショットロバスト性とサンプル効率を示す。
論文 参考訳（メタデータ） (2026-02-02T09:10:09Z) - MetagenBERT: a Transformer-based Architecture using Foundational genomic Large Language Models for novel Metagenome Representation [4.470992949474734]
分類学的および機能的アノテーションなしで生のDNA配列から直接エンド・ツー・エンドのメタゲノムを組み込むフレームワークであるMetagenBERTを提案する。
5つのベンチマーク腸内微生物叢(肝硬変, T2D, 肥満, IBD, CRC)に対する本手法の評価を行った。
また,MetagenBERT Glob Mcardisは多種多様なMetaCardisコホートを訓練し,他のデータセットに転送し,未知の表現型を含む予測信号を保持するクロスコホートである。
論文 参考訳（メタデータ） (2026-01-05T19:36:36Z) - Higher-Order Domain Generalization in Magnetic Resonance-Based Assessment of Alzheimer's Disease [5.186496221536076]
多様な分布変化を模倣する高次特徴モーメント(歪と曲率)をブレンドするフレームワークであるExtended MixStyle(EM)を紹介する。
EMはクロスドメイン性能を向上し、最先端ベンチマークよりも平均2.4ポイントのマクロF1を改善した。
論文 参考訳（メタデータ） (2026-01-04T11:25:36Z) - A Unified Framework for EEG Seizure Detection Using Universum-Integrated Generalized Eigenvalues Proximal Support Vector Machine [5.725795684434675]
本稿では,脳波信号分類のための新しいUniversum-enhanced分類器を提案する。
提案したモデルは、非定常性、低信号-雑音比、ラベル付きデータといった脳波解析における重要な課題に対処する。
モデルは2つのバイナリ分類タスクにまたがってボン大学脳波データセットで評価される。
論文 参考訳（メタデータ） (2025-12-24T13:39:11Z) - Forging a Dynamic Memory: Retrieval-Guided Continual Learning for Generalist Medical Foundation Models [45.285970665585914]
本稿では,継続的学習のための包括的枠組みを提案する。
モデル微調整のためのリアルタイムガイダンスを提供するマルチモーダル多層RAGシステムを用いる。
動的知識蒸留フレームワークを導入する。
論文 参考訳（メタデータ） (2025-12-15T08:09:40Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - Region-wise stacking ensembles for estimating brain-age using MRI [0.23301643766310373]
高次元MRIデータは、一般化可能な解釈可能なモデルの構築に挑戦する。
本稿では,概念的に新しい2段階積み重ねアンサンブル(SE)手法を提案する。
第1レベルの予測では、改善され、より堅牢な老化信号が見られた。
論文 参考訳（メタデータ） (2025-01-17T12:24:28Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。