
近日,智能医学学院2024级硕士研究生赵宇心以第一作者身份在国际模式识别与人工智能领域著名期刊《Pattern Recognition》(中科院一区,TOP期刊)在线发表题为“FS-MLGB: Multi-level granular-ball representation using label distribution for multi-label feature selection”的研究性论文。beat365英国官网网站为论文第一完成单位,曾芳教授、张鹏飞特聘教授为共同通讯作者。该论文是智能医学学院研究生在高水平交叉学科研究中取得的新成果。

在图像分析、医疗诊断和生物信息学等众多现实应用场景中,高维多标签数据广泛存在。然而,传统多标签特征选择方法大多依赖粗粒度逻辑标签,难以描述不同标签之间、标签与样本之间的相对重要性或潜在关联强度,导致信息利用不足。同时,现有基于粒球计算的方法通常仅在单一层级构建表示,难以捕捉数据在不同分辨率下的互补结构信息,限制了模型选择特征的稳定性和判别能力。
针对上述挑战,该论文提出了一种基于标签分布引导的多层级粒球特征选择方法(FS-MLGB)。研究首先将原始逻辑标签转化为标签分布,以提供更丰富、平滑的细粒度监督信息;其次设计基于标签分布的粒度球生成策略,通过引入多个纯度阈值构建多层级粒球空间,从而在不同结构分辨率下提取数据紧凑表示;最后提出一致性正则化的全局特征选择模型,通过多级一致性约束将局部粒球空间结构信息转移至原始特征空间,并结合图拉普拉斯正则化充分捕捉标签相关性。该方法在一个统一稀疏学习框架内,联合利用了标签分布监督、多级粒度结构和标签相关性。
在12个基准多标签数据集上的实验表明,与8种代表性的先进方法相比,FS-MLGB在5项评价指标上均取得极具竞争力的性能,在多数数据集上排名第一。消融实验进一步证实了标签相关性正则化和多级粒度一致性项的有效性。此外,在针刺治疗功能性消化不良(FD)的fMRI数据案例研究中,该方法成功识别出与多维针灸反应相关的稳定脑功能连接模式,进一步证明了其在捕捉多维度临床改善相关复杂网络级效应方面的重要应用潜力。
该研究不仅彰显了FS-MLGB方法在特征选择领域的高效性与有效性,也为未来处理大规模、高维多标签的复杂医学数据提供了重要指导意义和应用价值,同时体现了赵宇心在人工智能与医学交叉研究方向上的科研训练成效。智能医学学院将持续强化有组织科研,推进人工智能方法与中医药、针灸等优势特色领域深度交叉融合,以高水平科研项目和团队为依托,着力强化研究生科研训练与创新能力培养,不断提升高层次人才培养质量。
该研究得到国家自然科学基金(NO.U25A20160, 82225050, 62406044)以及四川省天府青城计划等项目的支持。论文代码已在GitHub开源(https://github.com/best100508/FS-MLGB)。
全文链接:https://doi.org/10.1016/j.patcog.2026.115150
(图、文|智能医学学院)