扩张卷积用于建模长距离基因组依赖关系
本文提出了一种卷积神经网络,将 DNA 序列的图像表征作为输入,并预测染色质结构的关键决定因素,能够检测 DNA 序列中远程元素之间的相互作用,实验证明该方法在预测准确性和训练时间方面优于多种现有方法。
Jun, 2018
本文利用深层卷积 / MLP 框架对基因组序列进行分类,在优化驱动策略的指导下提取 “motifs” 以可视化网络学习的正向分类。实验证明,本文提出的 Deep Motif(DeMo)提取的 motifs 类似于并在某些情况下优于当前已知的 motifs;此外,本文还发现由多个卷积和 highway 层组成的深度模型可以胜过以前最先进的单个卷积和全连接层。
May, 2016
本研究提出了一种称为 DilatedRNN 的简单且有效的循环神经网络连接结构,它可以同时解决 RNN 在处理长序列时遇到的复杂依赖、梯度消失和爆炸的问题,还能够提高训练效率并匹配最先进技术,并且引入了一种适用于具有长跳跃连接的 RNN 的内存容量度量,证明了 DilatedRNN 相对于其他循环神经网络结构的优点。
Oct, 2017
我们提出了一种新的全局卷积网络方法,利用全息降维表示(HRR)来编码和解码序列元素的特征,并且在微软恶意软件分类挑战、Drebin 和 EMBER 恶意软件基准测试中取得了最新的研究成果,时间复杂度高效。
Mar, 2024
研究使用深度学习应用到基因表达数据的挑战,发现存在非线性信号但需要使用基因交互图结合图卷积神经网络和基因嵌入以利用图信息来克服数据量不足的问题,但模型表现依赖于图的质量,并发现更多工作需要在这个方向上展开。
Jun, 2018
本文提出了一种基于循环膨胀卷积神经网络(Circular Dilated Convolutional Neural Network,CDIL-CNN)的对称多尺度架构,旨在解决长序列数据分类问题中 TCN 方法因使用不平衡连接协议和类别输出限制性等问题表现不佳的问题。研究者使用 CDIL-CNN 在多个长序列数据集上进行了测试,结果表明其较之前其他方法表现更出色。
Jan, 2022
提出了一种基于卷积神经网络的肿瘤分割方法,采用多种序列图像,结合 2D 和 3D 上下文,通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率,在 BRATS 2017 竞赛中良好表现,可用于各种分割任务。
Jul, 2018
该研究提出了一种基于树的卷积神经网络模型,结合深度学习和语言结构,利用单词之间的各种长距离关系来提高情感分类和问题分类任务的准确性,并在 TREC 数据集上取得了最高的准确性。
Jul, 2015
本文提出了一个 Dilated Convolutional Attention Network(DCAN),该模型通过密集卷积、残差连接和标签关注机制,能够更好地处理长序列且有长期相关性的医学文本,能够改进现有模型在医疗代码分配任务上的表现。
Sep, 2020