研究人员开发了ARMA-C3，一个新颖的图学习框架，专为无监督和半监督节点分类设计。该框架利用对比学习和图割正则化来创建鲁棒且具辨别力的表示，在标记数据有限和类别不平衡的情况下尤其有效。ARMA-C3将样本建模为图节点，捕捉传统方法常常忽略的样本间关系和主体级依赖关系。该框架在包括ADNI和NIFD在内的各种生物医学成像数据集上展示了具有竞争力且通常更优越的性能，显示出强大的表示学习和跨模态泛化能力。 AI
影响 该框架提高了生物医学图像分类的准确性，尤其是在数据有限的情况下，有可能有助于早期疾病检测。
排序理由 该集群包含一篇详细介绍分类任务新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.25657v1 Announce Type: new Abstract: In biomedical and neurodegenerative disorders, accurate and early disease identification remains challenging due to the scarcity of labeled data and the complexity of imaging patterns. To address these challenges, we introduce ARMA-…
In biomedical and neurodegenerative disorders, accurate and early disease identification remains challenging due to the scarcity of labeled data and the complexity of imaging patterns. To address these challenges, we introduce ARMA-C3, a unified unsupervised and semi-supervised g…