基于反射二进制码(Gray Code)与汉明距离结合联想分类器的医学模式分类二元相似性新方法

《Frontiers in Artificial Intelligence》:Medical pattern classification using a novel binary similarity approach based on an associative classifier

【字体: 大 中 小 】 时间:2026年01月15日 来源:Frontiers in Artificial Intelligence 4.7

编辑推荐:

  分类(Classification)是机器学习(Machine Learning, ML)中的核心任务,广泛应用于金融、医学、工程及生物信息学等领域。然而,由于客观数据集的复杂性,现有鲁棒模型在处理机器学习模式分类时往往面临计算复杂或决策过程不可解释的问题,而

  
分类(Classification)是机器学习(Machine Learning, ML)中的核心任务,广泛应用于金融、医学、工程及生物信息学等领域。然而,由于客观数据集的复杂性,现有鲁棒模型在处理机器学习模式分类时往往面临计算复杂或决策过程不可解释的问题,而医学领域常需在保证较高分类性能的同时维持算法的可解释性(Explainability)。为此,研究人员提出了一种鲁棒、简洁、高可解释性且适用于含复杂类别不平衡(Class Imbalance)医学数据集的新算法。本研究的主要贡献是一种基于二元字符串相似性(Binary String Similarity)的新型机器学习分类算法——N-相似性二元分类器(N-Similarity Binary Classifier, n-SBC),该算法具有竞争力、简洁、可解释且透明,能清晰展示样本被归入某类的依据。研究人员通过对比实验将该模型与最佳已知基准分类算法进行性能比较,实验结果证明了所提方法的优势,并通过统计假设检验验证了性能差异的显著性。
论文解读:基于反射二进制码与汉明距离的联想式二元相似性医学模式分类算法(n-SBC)研究
一、研究背景与动机
模式识别(Pattern Recognition, PR)中的监督分类任务多依赖贝叶斯、k最近邻(k-Nearest Neighbors, k-NN)、支持向量机(Support Vector Machine, SVM)、多层感知器(Multilayer Perceptron, MLP)等模型。"无免费午餐定理(No Free Lunch Theorem, NFL)"指出不存在 universally最优的分类器,而医学数据集常伴随类别不平衡、特征连续及"黑盒"模型缺乏临床可解释性等问题。现有主流模型或在高维不平衡数据上偏向多数类,或难以向临床医生阐明决策依据。受极简机器学习(Minimalist Machine Learning, MML)及联想记忆(Associative Memories, 如Lernmatrix、线性联想器Linear Associator)启发,研究人员提出一种融合反射二进制码(Reflected Binary Code, RBC/Gray Code)与汉明距离(Hamming Distance)的新型联想分类器n-SBC,旨在兼顾简洁性、透明决策及在不平衡医学数据上的竞争力。该论文发表于《Frontiers in Artificial Intelligence》。
二、关键技术方法概述
研究人员选取来自UCI、KEEL及Kaggle库的20个医学数据集(涵盖Appendicitis、Wisconsin乳腺癌、肝硬化Cirrhosis等,具不同类别不平衡比Imbalance Ratio, IR)。预处理包括:用均值/众数填补缺失值,标签编码(Label Encoding)处理分类变量;各特征减最小值使全正值→截断两位小数→放大为整数→转为标准二进制后再经异或(XOR)运算转换为RBC码(相邻数值仅1 bit差异),拼接为定长二元串。训练阶段将训练集RBC二元串存入记忆矩阵M;分类阶段计算待测样本与全体训练样本的汉明距离H,转为相似度(u-H),按类别取每类前n个最大相似度得分求和,择大判类(超参数n经初步网格预选固定为3或5)。采用分层十折交叉验证(Stratified 10-fold Cross-Validation)评估,以平衡准确率(Balanced Accuracy, BA)为主要指标。对比基准含k-NN(k=1,3,5)、C4.5、随机森林(Random Forest, RF)、SVM(SMO)、MLP、朴素贝叶斯(Na?ve Bayes);使用Friedman检验及Holm事后检验(Post-hoc Test)进行统计显著性分析。
三、研究结果
3.1 训练阶段(Training Phase)
研究人员将经RBC编码后的各训练样本二元串转置存入记忆矩阵M,无需迭代更新或参数学习,属基于实例的记忆型分类器。
3.2 分类阶段(Classification Phase)
对于待测样本,先计算其与M中所有训练样本二元串的汉明距离H(bω, bμ),得到相似度向量Zω=u-H。按真实类别分组,每类取前n(如n=3或5)个最高相似度值求和得yn,最大值对应类别为一热(One-hot)编码输出。因仅聚合每类Top-n近邻相似度(非全量投票)且RBC保留邻近数值相似性,该机制天然缓解多数类偏差,增强对少数类的敏感度,提升不平衡数据表现。论文给出了含两类(A/B)、5个训练样本、n=2的数值演算示例说明流程及逐bit匹配可解释性。
3.3 时间复杂度分析(Time Complexity Analysis)
n-SBC分类阶段时间复杂度为O(|L|·B),其中|L|为训练样本数,B为RBC编码后总比特长度。相比SVM(O(nsv·d))、RF(O(T·d·log|L|))及MLP(O(I·H·d)),其无训练耗时,预测与k-NN同阶但比特XOR运算极快。
3.4 分类结果(Classification Results)
在20个医学数据集上,n-SBC(3-SBC及5-SBC)取得竞争性平衡准确率(BA)。3-SBC在9/20数据集上BA值居首,5-SBC在7/20数据集上居首;在Acute Inflammation d1/d2、ACP Lung Cancer、Mammographic Masses等数据集表现尤为突出,部分达完美分类(BA=1.0)。虽受NFL定理限制未在全部集上最优(如高噪声/强重叠数据集表现一般),但其BA值与SMO、Na?ve Bayes等顶尖模型差距较小,且在多数集不显著劣于基准。
3.5 统计分析(Statistical Analysis)
Friedman检验拒绝原假设(p=0.000516),表明各分类器间存在显著差异。平均秩次显示5-SBC秩次最低(最优),3-SBC次之,均优于其余7种基准;k-NN族表现最差。Holm事后检验显示5-SBC与1-NN、3-NN差异达显著水平(p<0.05),与SVM、MLP、Na?ve Bayes呈边际显著差异趋势,证实n-SBC整体性能显著优于传统距离基分类器。
四、讨论与结论翻译
研究人员得出结论:提出的n-SBC是一种基于二元字符串相似性并结合RBC编码与汉明距离的新颖关联分类器,具备算法简洁、决策透明(可通过匹配bit追溯依据)、缓解类别不平衡影响等优势,在20个医学不平衡数据集上经统计检验证明其平衡准确率具竞争力甚至优于多种经典基准模型,适合作为医学辅助诊断的可解释人工智能(Explainable AI, XAI)工具。局限在于大训练集下全量汉明比对致预测开销随|L|线性增长,未来拟引入新相似性度量或粒度三支决策(Three-Way Decision, 3WD)优化,拓展至医学影像(X-ray)及含离群点场景验证鲁棒性,并结合元启发式算法调优。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号