TPAMI 2024 | 张量耦合学习不完整纵向特征和标签用于临床评分回归（一）

论文信息

题目：Tensor Coupled Learning of Incomplete Longitudinal Features and Labels for Clinical Score Regression

张量耦合学习不完整纵向特征和标签用于临床评分回归

作者：Qing Xiao; Guiying Liu; Qianjin Feng; Yu Zhang; Zhenyuan Ning

论文创新点

• 1 张量耦合学习范式（TCL）: 本研究提出了一种新的张量耦合学习（TCL）范式，用于处理不完整的纵向特征和标签，以进行临床评分回归。这种方法通过耦合特征和标签张量，可以同时处理两者的不完整性，提高了数据利用效率，并增强了模型的泛化能力。

• 2 动态正则化器设计: TCL框架中设计了一种动态正则化器，用于自适应地选择和突出重要属性。这种动态正则化器能够在迭代过程中动态更新权重，有助于消除属性冗余，并促进张量之间的耦合，从而提高了模型的性能。

• 3