Direct Classification of Type 2 Diabetes From Retinal Fundus Images in a Population-based Sample From The Maastricht Study
Eindhoven University of Technology（埃因霍温理工大学）；Maastricht University Medical Center+（马斯特里赫特大学医学中心+）
2型糖尿病（T2 D）是一种慢性代谢紊乱，可导致失明和心血管疾病。关于早期T2 D的信息可能存在于视网膜眼底图像中，但是这些图像可以在多大程度上用于筛查设置仍然是未知的。在这项研究中，使用深度神经网络来区分患有和没有T2 D的个体的眼底图像。我们研究了三种方法来实现高分类性能，通过受试者工作曲线下面积（ROC-AUC）来测量。同时输出视网膜生物标志物以及T2 D的多靶点学习方法效果最好（AUC = 0.746 [ $\pm$ 0.001]）。此外，当具有高预测不确定性的图像被提交给专家时，可以提高分类性能。我们还表明，每个人的左眼和右眼的图像的组合可以进一步提高分类性能（AUC = 0.758 [ $\pm$ 0.003]），使用一个简单的平均方法。结果是有希望的，提示从视网膜眼底图像筛选T2 D的可行性。
2019-11-22 cs.CV cs.LG eess.IV
Analysis and Mortality Prediction using Multiclass Classification for Older Adults with Type 2 Diabetes
Liverpool John Moores University（利物浦约翰摩尔斯大学）；Upgrad Education Pvt. Ltd（Upgrad教育私人有限公司）；Administrative Staff College of India（印度行政人员学院）
本研究针对老年2型糖尿病患者进行多类死亡预测，使用多种分类器构建模型，发现模型表现不佳，但为该问题的多类分类研究奠定了基础。
2024-02-16 cs.AI cs.LG
Retinal Microvasculature as Biomarker for Diabetes and Cardiovascular Diseases
Microsoft（微软）；Intelligent Retinal Imaging Systems（智能视网膜成像系统公司）；Retina Specialty Institute（视网膜专科研究所）
目的：证明视网膜微血管本身是糖尿病视网膜病变（DR）以及心血管疾病的可靠生物标志物。研究方法：深度学习卷积神经网络（CNN）应用于彩色眼底图像，用于血管的语义分割以及血管和完整图像的严重程度分类。通过谐波描述符的血管重建也被用作平滑和去噪工具。文中还概述了该理论的数学背景。结果：对于糖尿病患者，至少93.8%的DR无参考与参考分类可能与血管缺陷有关。至于非视力威胁与视力威胁案件，比例高达96.7%。结论：在DR的情况下，大多数疾病生物标志物与血管拓扑相关。翻译相关性：对眼血管重建作为生物标志物进行的实验显示血管形状与DR后期阶段之间的强相关性。
2021-07-28 cs.CV cs.LG eess.IV
Diabetes detection using deep learning techniques with oversampling and feature augmentation
Universidad de León（莱昂大学）
本文提出基于VAE数据增强、SAE特征增强和CNN分类的深度学习流程，在皮马印第安人数据集上达到92.31%准确率，较现有技术提升3.17%。
2024-02-03 cs.CV cs.LG eess.IV
Continuous-Time Learning of Probability Distributions: A Case Study in a Digital Trial of Young Children with Type 1 Diabetes
Universidad Autónoma de Madrid（马德里自治大学）；Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学）
本文提出基于神经ODE的高斯混合模型，用于分析CGM数据中时间索引分布的连续时间演变，检测治疗相关血糖动态改善。
2026-03-25 cs.LG stat.ML
Predicting Gene Disease Associations in Type 2 Diabetes Using Machine Learning on Single-Cell RNA-Seq Data
Department of Information Studies University College London London, United Kingdom（信息研究系伦敦大学学院伦敦英国）
本研究利用单细胞RNA-Seq数据，通过机器学习方法预测2型糖尿病中的基因疾病关联，评估ETC和PLS-DA在识别T2D相关基因表达特征方面的性能。
2026-01-30 cs.LG q-bio.GN
Predicting Chronic Disease Hospitalizations from Electronic Health Records: An Interpretable Classification Approach
Boston Medical Center（波士顿医学中心）；Boston University（波士顿大学）
现代大城市的城市生活对健康有重大不利影响，增加了患几种慢性病的风险。我们专注于两个主要的慢性病集群，心脏病和糖尿病，并开发数据驱动的方法来预测由于这些条件而住院治疗。我们根据患者的病史，最近和更遥远的，如他们的电子健康记录（EHR）中所描述的，进行这些预测。我们制定的预测问题作为一个二进制分类问题，并考虑各种机器学习方法，包括核和稀疏支持向量机（SVM），稀疏逻辑回归，和随机森林。为了在预测的准确性和可解释性之间取得平衡，这在医疗环境中很重要，我们提出了两种新的方法：K-LRT，一种基于似然比检验的方法，以及一种联合聚类和分类（JCC）方法，该方法识别隐藏的患者聚类并将分类器适应每个聚类。我们开发了理论的样本保证后一种方法。我们验证了我们的算法在波士顿医疗中心，在新英格兰最大的安全网医院系统的大型数据集。
2018-01-03 cs.LG
Application of multiview techniques to NHANES dataset
Johns Hopkins University（约翰霍普金斯大学）
使用健康数据集的疾病预测或分类涉及使用与疾病相关联的众所周知的预测因子作为模型的特征。这项研究考虑了个人健康的多个数据组成部分，使用变量之间的关系来生成可能提高疾病分类模型性能的特征。为了从数据的不同方面捕获信息，该项目使用多视图学习方法，使用典型相关分析（CCA），这是一种找到两个数据视图之间具有最大相关性的投影的技术。从NHANES调查（1999-2014）收集的数据类别被用作视图来学习多视图表示。通过将它们作为糖尿病分类任务中的特征来证明表示的有用性。
2016-08-16 cs.LG stat.ML
Quantum Machine Learning in Healthcare: Evaluating QNN and QSVM Models
Department of Electronics and Telecommunications（电子工程与电信系）
本文评估了量子神经网络和量子支持向量机在医疗诊断中的表现，发现QSVM在处理不平衡数据集时优于QNN。
2025-05-27 cs.ET cs.LG
AI-driven Prediction of Insulin Resistance in Normal Populations: Comparing Models and Criteria
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本研究利用NHANES和CHARLS数据构建了仅基于空腹血糖等简易指标的CatBoost模型来预测胰岛素抵抗，在METS-IR上AUC达0.97，并发现腰围是关键预测因子，为糖尿病和心血管疾病的早期预防提供了微创工具。
2025-03-07 cs.LG
Learning to Re-weight Examples with Optimal Transport for Imbalanced Classification
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Xidian University（西安电子科技大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
不平衡的数据给基于深度学习的分类模型带来了挑战。处理不平衡数据的最广泛使用的方法之一是重新加权，其中训练样本与损失函数中的不同权重相关联。现有的重加权方法大多将样本权重作为可学习参数，并在Meta集上优化权重，这需要昂贵的双层优化。在本文中，我们提出了一种新的重新加权方法的基础上最佳运输（OT）从分布式的角度来看。具体来说，我们将训练集视为其样本的不平衡分布，通过OT将其传输到从Meta集获得的平衡分布。训练样本的权重是不平衡分布的概率质量，并通过最小化两个分布之间的OT距离来学习。与现有的方法相比，我们提出的方法在每次迭代时脱离了权重学习对相关分类器的依赖。在图像、文本和点云数据集上的实验表明，该方法具有良好的性能，在许多情况下都能取得最佳的分类效果，为解决不平衡分类问题提供了一种很有前途的工具。
2022-08-05 cs.LG
Article Classification with Graph Neural Networks and Multigraphs
Elsevier B.V.（爱思唯尔公司）
本文提出用多图表示增强简单GNN流程，在OGBN-arXiv和PubMed数据集上实验，证明多图一致提升多种GNN模型性能，并能使浅层2层GNN达到与复杂架构相当的结果。
2024-05-28 cs.CL cs.LG
Column Networks for Collective Classification
Deakin University（迪肯大学）
关系学习处理以关系结构为特征的数据。一个重要的任务是集体分类，这是联合分类网络对象。虽然它有很大的希望产生比非集体分类器更好的准确性，但集体分类在计算上具有挑战性，并且没有利用深度学习的最新突破。我们提出了列网络（CLN），一种新的深度学习模型，用于多关系域中的集体分类。CLN具有许多理想的理论特性：（i）它编码任何两个实例之间的多关系;（ii）它是深而紧凑的，允许复杂的功能在网络级近似一个小的自由参数集;（iii）本地和关系特征同时学习;（iv）自然支持实例之间的长范围，高阶依赖关系;以及（v）至关重要的是，学习和推理是有效的，在网络的大小和关系的数量上是线性的。我们评估CLN在多个现实世界中的应用：（a）软件项目中的延迟预测，（b）PubMed糖尿病出版物分类和（c）电影类型分类。在所有应用中，CLN都表现出比最先进的竞争对手更高的准确性。
2016-11-29 cs.AI cs.LG stat.ML
Survival Meets Classification: A Novel Framework for Early Risk Prediction Models of Chronic Diseases
CureMD Research（CureMD研究）
本文提出一种结合生存分析与分类技术的新框架，用于开发慢性疾病早期风险预测模型，实验表明其性能优于现有方法，并通过专家验证生成解释。
2026-03-12 cs.AI cs.LG
A Comparative Study on Machine Learning Models to Classify Diseases Based on Patient Behaviour and Habits
University of Bahrain（巴林大学）
本研究使用六种监督式机器学习算法，基于患者相关因素及并发症数据，对糖尿病、中风、心脏病等疾病分类进行全面比较评估，并开发了基于最准确分类器的Web预测应用。
2024-12-21 cs.AI cs.LG
Deep Neural Network Based Ensemble learning Algorithms for the healthcare system (diagnosis of chronic diseases)
Iran University of Science and Technology（伊朗科技大学）
学习算法。在本文中，我们回顾了医疗保健系统（慢性病）中使用的分类算法，并提出了基于神经网络的Enhancement学习方法。我们简要介绍了常用的算法，并描述其关键属性。材料与方法：在这项研究中，现代分类算法用于医疗保健，检查这些方法和准则的原则，并准确地诊断和预测慢性疾病，优越的机器学习算法与基于神经网络的集成学习被使用。为了做到这一点，我们使用实验数据，慢性病患者（糖尿病，心脏病，癌症）的真实数据，可在UCI网站上获得。结果：我们发现，设计用于诊断慢性疾病的组算法比基线算法更有效。它还确定了进一步推进慢性病诊断中机器学习分类的几个挑战。结论：结果表明，高性能的神经网络为基础的包围学习方法的诊断和预测的慢性疾病，在这项研究中达到98.5%，99%和100%的准确率，分别。
2021-03-15 cs.AI cs.LG
Hybrid Classical-Quantum method for Diabetic Foot Ulcer Classification
RMIT University（皇家墨尔本理工大学）；Baker Heart and Diabetes Institute（贝克心脏与糖尿病研究所）；Cisco（思科）
糖尿病是一个影响全球许多人的日益严重的问题。糖尿病患者有发生足部溃疡的风险，这通常会导致截肢，导致严重的发病率和心理困扰。为了开发一个自我监测的移动应用程序，有必要能够将这些溃疡分为以下类别之一：感染，缺血，无，或两者兼而有之。在这项工作中，我们比较了一个经典的基于迁移学习的方法的性能，与一个混合的经典量子分类器对糖尿病足溃疡分类任务的性能。因此，我们将预训练的Xception网络与多类变分分类器合并。因此，在修改和重新训练Xception网络之后，我们提取中间层的输出，并将其用作给定图像的深层特征表示器。最后，我们使用这些深层功能训练多类变分分类器，其中每个分类器是在一个单独的变分电路上实现的。然后在盲测试集DFUC 2021上对该方法进行评估。结果证明，我们提出的混合经典-量子分类器通过训练Xception网络的修改版本，与单独依赖迁移学习概念相比，有了相当大的改进。
2021-10-05 cs.CV cs.LG eess.IV
Weighted Graph Structure Learning with Attention Denoising for Node Classification
Ocean University of China（中国海洋大学）
针对加权图中噪声边和异常权重导致节点分类不准的问题，提出EWGSL方法，融合权重学习与结构学习，改进注意力系数和损失函数，平均Micro-F1提升17.8%。
2025-03-29 cs.AI cs.LG
Lightweight Convolutional Neural Networks for Retinal Disease Classification
Imam Alkadhim University College（伊玛目卡迪姆大学学院）；University of Sharjah（沙迦大学）
本文使用MobileNet和NASNetMobile两种轻量级CNN，结合迁移学习与数据增强，在RFMiD数据集上对视网膜图像进行正常、DR和MH分类，MobileNetV2以90.8%准确率优于NASNetMobile的89.5%，为AI辅助眼科诊断提供基础。
2025-05-30 cs.AI cs.CV cs.LG
A light-weight method to foster the (Grad)CAM interpretability and explainability of classification networks
University of Applied Sciences Munich（慕尼黑应用科学大学）
我们考虑一个轻量级的方法，可以提高本地化的分类网络的可解释性。该方法在训练过程中通过修改训练损失来考虑（Grad）CAM图，并且不需要额外的结构元素。它表明，（Grad）CAM的可解释性，作为衡量的几个指标，可以以这种方式得到改善。由于该方法应适用于嵌入式系统和标准的更深层次的架构，它基本上利用二阶导数在训练过程中，不需要额外的模型层。
2020-09-26 cs.CV cs.LG
Graph-based Security and Privacy Analytics via Collective Classification with Joint Weight Learning and Propagation
Duke University（杜克大学）
许多安全和隐私问题可以建模为图分类问题，其中图中的节点同时被集体分类。用于这种基于图的安全和隐私分析的现有技术的集体分类方法遵循以下范例：向图的边分配权重，在加权图之间迭代地传播节点的信誉分数，以及使用最终信誉分数来对图中的节点进行分类。关键的挑战是分配边权重，使得如果两个对应的节点具有相同的标签，则边具有大的权重，否则具有小的权重。虽然集体分类已经被研究和应用于安全和隐私问题十多年，但如何应对这一挑战仍然是一个悬而未决的问题。在这项工作中，我们提出了一个新的集体分类框架，以解决这一长期存在的挑战。我们首先将学习边权重表示为一个优化问题，它量化了我们要实现的最终声誉得分的目标。然而，这是计算上难以解决的优化问题，因为最终的信誉分数取决于边缘权重在一个非常复杂的方式。为了解决计算挑战，我们建议联合学习边缘权重并传播声誉分数，这本质上是优化问题的近似解决方案。我们将我们的框架与最先进的基于图的安全和隐私分析方法进行比较，这些方法使用来自各种应用场景的四个大规模真实世界数据集，例如社交网络中的Sybil检测，Yelp中的虚假评论检测和属性推理攻击。我们的研究结果表明，我们的框架实现了更高的精度比国家的最先进的方法与可接受的计算开销。
2020-05-27 cs.CR cs.LG
Perturbation of Deep Autoencoder Weights for Model Compression and Classification of Tabular Data
Tennessee State University（田纳西州立大学）
完全连接的深度神经网络（DNN）通常包括冗余权重，导致过拟合和高内存需求。此外，DNN的性能经常受到表格数据分类中传统机器学习模型的挑战。在本文中，我们提出了DNN权重的周期性扰动（修剪和再生），特别是在深度自动编码器的自监督预训练阶段。在下游分类任务中，所提出的权重扰动策略在六个表格数据集中的四个中优于辍学学习。与dropout或我们的权重扰动例程相比，在相同的预训练阶段对权重进行L1或L2正则化会导致分类性能较差。与dropout学习不同，所提出的权重扰动例程还在六个表格数据集上实现了15%到40%的稀疏性，用于压缩深度预训练模型。我们的实验表明，当完全连接的DNN失败时，具有权重扰动或丢弃的预训练深度自动编码器可以在表格数据分类中优于传统的机器学习。然而，当表格数据集包含不相关的变量时，传统的机器学习模型似乎优于任何深度模型。因此，深度模型的成功可以归因于现实世界数据集中不可避免地存在相关变量。
2022-05-17 cs.AI cs.LG cs.NE
Reservoir computing for spatiotemporal signal classification without trained output weights
Air Force Research Laboratory（空军研究实验室）
储备池计算是最近引入的机器学习范例，其已被证明非常适合于时空数据的处理。在传统的递归神经网络中，不是通过反向传播来训练网络节点连接和权重，而是在“隐藏层”节点之间具有固定的连接和权重，并且传统上只有神经元输出层的权重使用线性回归来训练。我们主张，对于信号分类任务，可以完全放弃权重训练步骤，而是使用基于储层状态范数的主成分的简单监督聚类方法。所提出的方法进行了数学分析和探索，通过对真实世界的数据进行数值实验。实例表明，该方法在分类精度和对储层参数的敏感性方面优于传统的训练输出权重方法。
2016-07-19 cs.CV cs.LG cs.NE
Signal classification using weighted orthogonal regression method
本文提出了一种新的基于数据内在属性的分类器。在基于数据采掘的应用中，分类是一项重要的任务.当训练集的大小不足以与问题的维度进行比较时，分类问题将具有挑战性。本文提出了一种新的分类方法，利用每个类的内在结构，通过相应的本征分量。每个组件都通过特定的权重对每个类的学习广度做出贡献。权重由相关的特征值确定。该方法在面对有限训练数据的分类问题时，具有可靠的学习鲁棒性。所提出的方法涉及到从每个类的数据的奇异值分解得到的特征向量选择每个子空间的基。此外，它认为一个有效的加权决策标准区分两类。除了在人工数据上的高性能外，该方法还提高了国际比赛的最佳成绩。
2020-10-12 cs.AI cs.LG stat.ML
Defending Malware Classification Networks Against Adversarial Perturbations with Non-Negative Weight Restrictions
Google（谷歌）
越来越多的文献表明，深度神经网络容易受到对抗性输入修改的影响。最近，这项工作已经从图像分类扩展到布尔特征上的恶意软件分类。在本文中，我们提出了几种在这个特定领域训练受限网络的新方法，这些方法在防止对抗性扰动方面非常有效。我们从一个完全抗对抗的神经网络开始，它具有严格的非负权重限制，相当于学习单调布尔函数，然后尝试放松约束以提高分类器的准确性。
2018-06-23 cs.CR cs.LG stat.ML
Vehicle classification using ResNets, localisation and spatially-weighted pooling
University of York（约克大学）
我们研究ResNet架构是否可以在细粒度车辆分类任务上优于更传统的卷积神经网络。我们在Comprehensive Cars数据集上对ResNet-18、ResNet-34和ResNet-50进行了训练和测试，而没有在其他数据集上进行预训练。然后，我们修改网络以使用空间加权池。最后，我们使用基于ResNet-50的网络在分类过程之前添加了一个本地化步骤。我们发现，使用空间加权池和本地化都提高了ResNet 50的分类精度。空间加权池化将准确度提高1.5%，本地化将准确度提高3.4%。使用这两种方法将准确率提高了3.7%，在Comprehensive Cars数据集上的前1准确率为96.351%。我们的方法比一系列方法（包括使用传统CNN的方法）实现了更高的准确性。然而，我们的方法并不像使用空间加权池的预训练网络那样好。
2018-10-15 cs.CV cs.LG stat.ML
Vertex Classification on Weighted Networks
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出了一种加权网络中顶点的判别方法。我们假设网络中的边权重和邻接是条件独立的，并且两个信息源都对类成员信息进行编码。特别地，我们在标准K-块随机块模型中引入边权重分布矩阵来对加权网络进行建模。这使我们能够开发简单而强大的扩展的分类技术，使用谱嵌入的未加权邻接矩阵。我们考虑两个假设的边缘权重分布，并提出在这两种设置的分类程序。我们通过将它们与变换后的加权网络的谱嵌入后的二次判别分析进行比较，展示了所提出的分类器的有效性。此外，我们讨论并显示如何执行的方法时，边缘权重不编码类成员信息。
2019-06-07 cs.LG cs.SI stat.ME
Weighted graphlets and deep neural networks for protein structure classification
University of Notre Dame（圣母大学）；Eck Institute for Global Health, University of Notre Dame（圣母大学埃克全球健康研究所）；Interdisciplinary Center for Network Science & Applications, University of Notre Dame（圣母大学网络科学与应用跨学科中心）；University of Tennessee at Knoxville（田纳西大学诺克斯维尔分校）
由于结构相似的蛋白质通常具有相似的功能，因此分析蛋白质结构可以帮助预测蛋白质功能，因此非常重要。我们考虑蛋白质结构分类的问题，它通过计算将蛋白质的结构分为预定义的组。我们开发了一个描述蛋白质结构的加权网络，更重要的是，我们提出了第一个适用于加权网络的基于图的度量。此外，我们开发了一个由卷积层和递归层组成的深度神经网络（DNN），以使用此度量进行分类。总的来说，我们的方法在36个真实数据集上显示了比现有的基于graphlet的方法性能的显着改进。即使与最先进的方法相比，它几乎将分类错误减半。除了蛋白质结构网络之外，我们的加权图测度和DNN分类器还可以应用于计算生物学以及其他领域的其他加权网络的分类。
2019-10-07 cs.LG q-bio.BM stat.ML
W-RNN: News text classification based on a Weighted RNN
大多数信息都是以文本的形式存储的，因此文本挖掘被认为具有很高的商业潜力。针对基于稀疏表示的分类方法存在的语义约束问题，提出了一种加权递归神经网络（W-RNN），能够充分提取文本序列化语义信息。针对文本数据表示中特征维数高、语义关系不清晰的问题，首先利用词向量表示文本中的词汇，然后利用递归神经网络（RNN）对序列化文本数据进行特征提取。然后，使用词向量的中间输出对词向量进行自动加权和求和，以形成文本表示向量。最后，利用神经网络进行分类。在新闻数据集上对W-RNN进行了验证，证明W-RNN在精度、召回率、F1和损失值方面优于其他四种基线方法，适合于文本分类。
2019-09-28 cs.IR cs.LG stat.ML
A comprehensive theoretical framework for the optimization of neural networks classification performance with respect to weighted metrics
University of Padova（帕多瓦大学）；University of Genova（热那亚大学）
本文针对神经网络训练中损失函数最小化与加权分类分数最大化之间的差异，提出一个完整理论框架，将加权分类指标形式化并构建相应损失函数以优化目标指标，且涵盖多种成熟方法。
2023-05-22 cs.LG cs.NA math.NA
Learning to Weight for Text Classification
Istituto di Scienza e Tecnologie dell’Informazione, Consiglio Nazionale delle Ricerche（意大利国家研究委员会信息科学与技术研究所）
在信息检索（IR）和相关任务中，术语加权方法通常考虑术语在文档和集合中的频率，以便计算反映术语对于文档的重要性的分数。在以存在训练数据为特征的任务（例如文本分类）中，术语加权函数应该考虑术语在感兴趣的类中的分布（根据训练数据估计），这似乎是合乎逻辑的。虽然以前曾描述过使用这种直觉的“监督术语加权”方法，但它们未能显示出持续的改进。在这篇文章中，我们分析了这种失败的可能原因，并对统一的假设提出质疑。根据这一批评，我们提出了一种新的监督术语加权方法，而不是依赖于任何预定义的公式，学习一个术语加权函数优化的训练集的兴趣，我们把这种方法\emph{Learning to Weight}（LTW）。我们在几个著名的基准测试上运行的实验，并使用不同的学习方法，表明我们的方法在文本分类中优于以前的术语加权方法。
2019-03-28 cs.IR cs.LG stat.ML
White-box Membership Attack Against Machine Learning Based Retinopathy Classification
Université de Bretagne Occidentale - UBO（西布列塔尼大学）；Inserm（法国国家健康与医学研究院）
机器学习（ML）的进步极大地改善了医学成像中基于AI的诊断辅助系统。然而，基于收集特定于个人的医疗数据会引发一些安全问题，特别是在隐私方面。即使像医院这样的图像所有者在其信息系统层面制定了严格的隐私保护规定，在其图像上训练的模型仍然具有披露潜力。攻击者可以通过以下方式访问经训练的模型：1）白盒：访问模型架构和参数; 2）黑盒：其中他只能通过适当的接口用他自己的输入来查询模型。现有的攻击方法包括：特征估计攻击（FEA）、成员推断攻击（MIA）、模型记忆攻击（MMA）和识别攻击（IA）。在这项工作中，我们专注于MIA对一个模型，已被训练为从视网膜图像检测糖尿病视网膜病变。糖尿病视网膜病变是一种可导致糖尿病患者视力丧失和失明的疾病。MIA是确定数据样本是否来自经训练的ML模型的训练数据集的过程。从隐私的角度来看，在我们的用例中，糖尿病视网膜病变分类模型被提供给拥有图像和患者标识符的合作伙伴，推断数据样本的成员状态可以帮助说明患者是否对模型的训练做出了贡献。
2022-05-30 cs.AI cs.CR cs.CV
Brain EEG Time Series Selection: A Novel Graph-Based Approach for Classification
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Macquarie University（麦考瑞大学）；Suzhou University（宿州学院）
脑电分类是近年来被广泛应用于脑部疾病分析的一种方法。不幸的是，无效/嘈杂的EEG降低了诊断性能，大多数以前开发的方法忽略了EEG选择分类的必要性。为此，本文提出了一种新的基于最大权值聚类的脑电选择方法mwcEEGs，将脑电选择映射为从一个同时考虑边权值和顶点权值的改进的Fréchet距离加权无向脑电图中搜索最大相似权团.我们的mwcEEG通过选择具有相似性阈值$δ$的团内成对相似和团间区分EEG来提高分类性能。在真实脑电数据集上的实验结果表明，与现有的时间序列选择算法相比，该算法是有效的。
2018-02-09 cs.LG q-bio.NC stat.ML
Weighting and Pruning based Ensemble Deep Random Vector Functional Link Network for Tabular Data Classification
Nanyang Technological University（南洋理工大学）
在本文中，我们首先将批量归一化引入edRVFL网络。这种重新归一化方法可以帮助网络避免隐藏特征的发散。然后，我们提出了新的变体的Ensemble深度随机向量功能链接（edRVFL）。加权edRVFL（WedRVFL）使用加权方法根据样本在前一层中如何自信地分类，在不同层中给予训练样本不同的权重，从而增加集成的多样性和准确性。此外，还提出了一种基于修剪的edRVFL（PedRVFL）。在生成下一个隐藏层之前，我们根据它们对分类的重要性修剪了一些低级神经元。通过这种方法，我们确保随机生成的劣质特征不会传播到更深层。随后，加权和修剪相结合，被称为加权和修剪的嵌入式深度随机向量功能链接网络（WPedRVFL），提出。我们在24个表格UCI分类数据集上将其性能与其他最先进的深度前馈神经网络（FNN）进行了比较。实验结果表明，我们提出的方法的优越性能。
2022-01-21 cs.AI cs.CV cs.LG
