Jan, 2020

高维生物数据上的特征选择网络 FsNet

PDF
TL;DR本文提出了一种名为 FsNet 的 DNN 基于非线性特征选择方法，针对高维度和小样本数据。实验结果显示，该方法在多个真实的生物数据集上表现出较高的有效性。
machine learningdeep neural networksfeature selectionhigh-dimensional databiology
发现论文，激发创造
  • 在稀疏神经网络中使用神经元进化进行监督特征选择

    本文提出了一种基于稀疏神经网络的资源高效的有监督特征选择方法 “NeuroFS”，通过逐步修剪稀疏神经网络的输入层来高效获取信息子集。在 11 个不同类型的低维和高维实际基准测试中，本文证明 NeuroFS 在所考虑的最先进的有监督特征选择模型中获得了最高的排名分数。

    Mar, 2023

  • 特征选择小样本表格生物医学数据的重量预测网络

    针对高维、小样本的表格型生物医学数据，我们提出了一种 Weight Predictor Network with Feature Selection（WPFS）神经网络。该网络通过特征选择和参数减少来学习高维、小样本数据，具有较好的性能，并提供了有用的学习洞察。

    Nov, 2022

  • 机器学习与应用中的特征网络方法

    机器学习中的特征网络是连接具有相似性的学习任务中的特征的图形表示，通过充分利用傅里叶分析和函数分析中的函数操作，可以轻松生成新的特征，应用于机器学习中的图形化卷积神经网络扩展到具有不同深度或复杂度特征的分层表示，并讨论了使用特征网络工程化新特征以提高模型的表达能力。

    Jan, 2024

  • 深度学习用于高效 GWAS 特征选择

    在 GWAS 数据中，本研究引入了一种针对超高维数据的特征选择方法，该方法利用 Frobenius 范数惩罚增强学生网络的适应能力，通过自动编码器或监督自动编码器进行维度约简，以及经过正则化的前馈模型进行精确特征选择，在实验中展示了其在 GWAS 数据特征选择中的高效性和灵活性。

    Dec, 2023

  • 网络的基于特征的分类

    描述和演示了一个新的、混合方法，结合了对潜在特征的手动选择与现有的自动分类方法，并使用随机森林等方法进行分类，该方法在特征共线性存在时具有特别的实用性，实现了更高的准确性、更短的计算时间和更大的网络分类结果的可解释性。

    Oct, 2016

  • 深度特征空间：几何视角

    本文提出了一种新的方法，用于可视化和理解神经网络输出层之前的向量空间，旨在揭示分类任务下的深层特征向量属性，特别是过拟合现象在特征空间中的本质和其对进一步应用的负面影响，并对其进行了真实应用场景的评估，证明了其突出性能优势。

    Jun, 2020

  • 基于频域支持的神经网络用于非线性动力系统辨识

    通过加入频率信息，我们构建了一种新的神经网络结构（FSNN），能够较好地适用于非线性系统识别，并在经验上进行了性质研究。

    May, 2023

  • 简单网络架构优化图神经网络

    本文提出了一种基于图神经网络的特征选择方法，通过解耦节点特征聚合和网络深度，采用 softmax 和 Hop-Normalization 技术，使得模型在节点分类任务中取得了 64% 以上的精度，其学习到的精选参数可以用于研究预测任务中特征的重要性，同时在大型图中拥有可扩展性。

    May, 2021

  • 深度学习模型的退役特征排名

    我们提出了一种新的通用特征排序方法，该方法在静态和时间序列场景中在多个数据集上表现良好，可用于分类和回归等任务，并且应用于药物反应数据集时能够识别与药物反应相关的基因。

    Dec, 2017

  • 深度 ReLU 网络中的深度选取对特征提取和泛化的影响

    本文旨在量化特征提取和泛化中深度与特征之间的对应关系，通过展示提取单一特征和复合特征的深度 - 参数权衡表明特征对深度的适应性和相反情况，并证明在深度网络上实现经典的经验风险最小化可实现多种学习任务的最优泛化性能，其理论结果通过一系列数字实验进行了验证。

    Apr, 2020