Supervised Multi-Modal Fission Learning

要約

マルチモーダル データセットから学習すると、補完的な情報を活用し、予測タスクのパフォーマンスを向上させることができます。
高次元データセットの特徴相関を考慮するために一般的に使用される戦略は、潜在変数アプローチです。
マルチモーダル データセットに対して、いくつかの潜在変数手法が提案されています。
ただし、これらの方法は、すべてのモダリティにわたって共有コンポーネントを抽出するか、共有コンポーネントと各モダリティに固有の個別コンポーネントの両方を抽出することに焦点を当てています。
このギャップに対処するために、マルチモーダル データセットの特徴の基礎となる全体的な結合コンポーネント、部分結合コンポーネント、および個々のコンポーネントを同時に識別するマルチモーダル核分裂学習 (MMFL) モデルを提案します。
既存の潜在変数手法とは異なり、MMFL は応答変数からの監視を使用して予測潜在コンポーネントを特定し、不完全なマルチモーダル データを組み込むための自然な拡張機能を備えています。
シミュレーション研究を通じて、MMFL が完全なモダリティ設定と不完全なモダリティ設定の両方で既存のさまざまなマルチモーダル アルゴリズムよりも優れたパフォーマンスを発揮することを実証します。
私たちは、アルツハイマー病ニューロイメージング イニシアチブ (ADNI) データセットからのマルチモーダル神経イメージングおよびゲノミクス データを使用して、アルツハイマー病の早期予測のための実世界のケーススタディに MMFL を適用しました。
MMFL は、既存の方法と比較して、より正確な予測と、モダリティ内およびモダリティ間の相関関係についての優れた洞察を提供しました。

要約(オリジナル)

Learning from multimodal datasets can leverage complementary information and improve performance in prediction tasks. A commonly used strategy to account for feature correlations in high-dimensional datasets is the latent variable approach. Several latent variable methods have been proposed for multimodal datasets. However, these methods either focus on extracting the shared component across all modalities or on extracting both a shared component and individual components specific to each modality. To address this gap, we propose a Multi-Modal Fission Learning (MMFL) model that simultaneously identifies globally joint, partially joint, and individual components underlying the features of multimodal datasets. Unlike existing latent variable methods, MMFL uses supervision from the response variable to identify predictive latent components and has a natural extension for incorporating incomplete multimodal data. Through simulation studies, we demonstrate that MMFL outperforms various existing multimodal algorithms in both complete and incomplete modality settings. We applied MMFL to a real-world case study for early prediction of Alzheimers Disease using multimodal neuroimaging and genomics data from the Alzheimers Disease Neuroimaging Initiative (ADNI) dataset. MMFL provided more accurate predictions and better insights into within- and across-modality correlations compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google