该研究提出了一种新的方法，利用多项逻辑回归、非平滑非负矩阵分解 (nsNMF) 和支持向量机 (SVM) 等算法，从全序列数据中提取遗传信息以更好地预测癌症类型。实验表明，该方法在突变计数、突变得分等方面均表现优异，可用于其他疾病分类和通路发现研究。

Sep, 2018

通过提取和总结有用的预测信息（由 “因子张量” 表示）并利用张量分解模型将其输入到时间卷积神经网络中，本研究提出了一种因子增强的张量对张量神经网络（FATTNN）。该方法能够处理复杂数据结构之间的非线性关系，并在预测准确性和计算成本方面优于传统的统计模型和常规的深度学习方法。通过利用张量分解模型，提出的方法在提高预测准确性的同时，大幅度减少了数据维度从而加快了计算速度。通过模拟研究和对三个公共数据集的实际应用，验证了提出方法的实证性能，数值结果表明，与基准方法相比，提出的算法在预测准确性方面取得了显著的增加，并且计算时间显著减少。

May, 2024

提出了一种基于路径增强的图转换网络 (PAGTN)，用于学习分子表示，并将其与基于图卷积网络 (GCN) 的模型进行比较，在分子属性预测方面表现更好，包括量子化学 (QM7，QM8，QM9)，物理化学 (ESOL，亲脂) 和生物化学 (BACE，BBBP) 数据集。

May, 2019

药物联合使用引起的不良反应是现代医学中一个日益普遍的现象，对其准确预测的挑战至关重要。尽管存在大量计算方法来解决这个问题，但由于问题的多项式特性，仅依靠实验室的方法无法满足需求。我们将三种张量分解模型应用于基准数据集，与现有技术进行比较，发现与先前的报告相反，在此任务中，张量分解模型与最先进的图神经网络模型具有竞争力，因此建议未来的研究在运行昂贵的深度学习流程之前考虑更廉价的具有线性复杂度的方法。

Apr, 2024

应用非负张量因式分解方法在穿戴式传感器数据集 StudentLife 中，提取潜在的时间因素和相似个体群组，成功发现了表现良好的个体和常常从事休闲活动的个体，从而揭示了数据的低维结构。

May, 2019

本文提出了自适应分解网络（AFN），通过对数转换层转换特征组合中每个特征的权值，从而适应性地学习数据的任意阶交叉特征，与现有方法相比，该方法表现出更优的预测性能。

Sep, 2019

本研究提出了一种基于先验知识的深度自编码框架（PAAE）及其生成变体（PAVAE），用于 RNA-seq 在癌症中的数据。通过与其他学习模型的比较，我们证明了 PAAE 和 PAVAE 模型不仅具有更好的重构结果，而且在分类任务中比有全面输入基因集的模型产生更好的结果，并对模型进行了全面的可解释性分析，从而提高了转化医学的预测能力。

Jun, 2023

本文提出了一种新的 AutoML 系统，利用矩阵和张量分解作为代理模型，通过贪心实验设计协议来高效收集有关新数据集的信息，从而解决数据科学家在选择适当的监督式学习模型时面临的挑战。经过对大型实际分类问题的实验，证明了这种方法的有效性。

Jun, 2020

基于泰勒映射因式分解的高阶多项式回归方法实现了多目标回归，并能捕捉目标之间的内在关系。通过在 UCI 等开放数据集上进行基准测试，该方法表现与现有回归方法相当，并在特定任务上表现优异。

Jul, 2023

本文提出了一种名为 TASTE 的张量分解算法，能够同时考虑电子健康记录中的静态和时序信息，经综合实验验证，TASTE 所提取的心力衰竭患者表型效果较好。

Nov, 2019