基于超图正则化的多模态信息融合算法

多模态数据融合方法通过学习多个数据集间的关联信息和互补信息，提高了数据分类或预测的性能。但现有的数据融合方法大都基于单独数据集自身的特征模式进行学习，不同异构数据之间的结构信息往往被忽略。因此，文中提出了一种基于超图正则化的多模态信息融合算法(sHMF),通过超图和流行正则项的方法结合表示模态内样本间的高阶关系和模态间的关系，即得到同构和异构的高阶网络。其中，采用超图稀疏表达学习超图，减少冗余边。为了验证所提算法的性能，在模拟数据和影响遗传学真实数据下进行实验，结果表明，sHMF算法在模拟数据和真实数据上均优于多任务学习、多邻域分类等流行算法对精神分裂症的分类精度。同时，sHMF在真实数据上得出的实验结果进一步揭示了一些与精神分裂症显著相关的生物标记物以及风险基因、甲基化因子和异常脑区之间潜在的联系。