کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6890776 1445218 2018 27 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Generalized fused group lasso regularized multi-task feature learning for predicting cognitive outcomes in Alzheimers disease
ترجمه فارسی عنوان
گروه غنی سازی شده با استفاده از روش چند منظوره برای پیش بینی نتایج شناختی در بیماری آلزایمر، لسوس را کنترل می کند
کلمات کلیدی
ترجمه چکیده
نتایج تجربی با داده های واقعی و مصنوعی نشان می دهد که ترکیب دو ساختار پیشین با استفاده از هنجار لسو گروه مشترک متمرکز شده در یادگیری ویژگی های چندگانه می تواند عملکرد پیش بینی را در چندین روش رقابت در حالت پیشرفته بهبود بخشد و همبستگی تخمینی توابع شناختی و شناسایی نشانگرهای تصویربرداری مربوط به شناخت از لحاظ بالینی و بیولوژیکی معنی دار هستند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
چکیده انگلیسی
The experimental results with real and synthetic data demonstrate that incorporating the two prior structures by the generalized fused group lasso norm into the multi task feature learning can improve the prediction performance over several state-of-the-art competing methods, and the estimated correlation of the cognitive functions and the identification of cognition relevant imaging markers are clinically and biologically meaningful.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Methods and Programs in Biomedicine - Volume 162, August 2018, Pages 19-45
نویسندگان
, , , , , , ,