An efficient multiclass classifier for classification of Alzheimer's disease/mild cognitive impairment/Normal subjects
Notice bibliographique
Résumé
Abstract Typically, in sparse representation‐based classifiers, the weight associated with each training sample is ignored, resulting in reduced accuracy. Moreover, individual binary classifiers solved a multiclass problem. It requires more time as multiple runs are needed to compute the accuracy. In this paper, we propose a novel optimal sparse representation‐based classifier. It solves the ternary classification problem with improved accuracy in a single run. The ternary classification considers Alzheimer's disease versus mild cognitive impairment versus normal control in a single run. A two‐stage sparse representation model is used to design the proposed classifier. To update the weight coefficients, we suggest a regularized Levenberg–Marquardt learning. It allows selecting a subset of significant training samples. To determine the appropriate subset size, we investigate an objective function in terms of classification accuracy. For optimization, we suggest a hybrid particle swarm optimization–squirrel search technique. The experiment conducted on the Alzheimer's Disease Neuroimaging Initiative database shows our method outperforms other state‐of‐the‐art methods in terms of computation time and accuracy. The use of different training–testing partition ratios makes the proposed method immune to biased results, overfitting, and underfitting difficulties. Moreover, results are obtained from 100 iterations to confirm its stability. The suggested model may be helpful for further research in medical image analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».