摘要
多维域上函数观测值的内在无穷维特征使得标准分类方法实际上不适用。为了解决这个问题,我们引入了一种新的多类函数深度神经网络(mfDNN)分类器,作为一种创新的数据挖掘和分类工具。该体系结构将稀疏深度神经网络与整流线性单元(ReLU)激活函数结合在一起,在多类分类框架中最小化交叉熵损失。这种设计使现代计算工具得以利用。对于完全观测和离散观测的多维函数数据,还导出了误分类风险函数的收敛速度。通过仿真和来自不同应用领域的几个基准数据集证明了mfDNN的有效性。
资金筹措表
曹的研究也得到了西蒙斯基金会(849413号拨款)和国家科学基金会(CNS-2319342和CNS-2313343号拨款)的部分支持。
鸣谢
本文准备过程中使用的ADNI数据来自阿尔茨海默病神经成像倡议(ADNI)数据库(adni.loni.usc.edu)。因此,ADNI内的研究人员为ADNI的设计和实施做出了贡献和/或提供了数据,但没有参与本报告的分析或编写。ADNI调查员的完整列表可在以下网址找到:http://adni.loni.usc.edu/wp-content/uploads/how_to_apply/adni_Acknowledgement_List.pdf。
引用
下载引文
王朔阳。
曹冠群。
“通过深度神经网络对多维功能数据进行多类分类。”
电子。J.统计。
18
(1)
1248 - 1292,
2024
https://doi.org/10.1214/24-EJS2229
问询处
收到日期:2023年10月1日;发布日期:2024年
欧几里德项目首次提供:2024年3月13日
数字对象标识符:10.1214/24-EJS2229
受试者:
主要用户:62G05型,62G08号
次要:62G35型
关键词:深度神经网络,功能数据分析,多类别分类,多维函数数据,收敛速度