将深度插值与多任务学习相结合,用于基因组数据的下游任务
本文研究如何在多任务学习中应对数据的确实特征,并通过插件协方差矩阵估计器结合稀疏和图正则化的多任务学习方法,提高数据的泛化性能,并以阿尔茨海默病的数据为例阐述其有效性。
Jul, 2018
通过对最近提出的深度学习插补方法进行综合调查,本文首先提出了一种分类法,然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时,我们还进行了实证实验,研究了不同方法并比较了它们对下游任务的改进效果。最后,指出了未来研究多变量时间序列插补的开放问题。
Feb, 2024
通过弱监督的方式,我们开发了一个联合多任务 Transformer 架构,用于预测肿瘤学领域的两个关键预测生物标志物:微卫星不稳定性和同源重组缺陷,并通过辅助回归任务相关于肿瘤微环境,对此进行了培训和评估。使用我们的新方法,在外部队列中,相对于接收器操作特性下的最佳结果,对于预测微卫星不稳定性和同源重组缺陷,分别提高了 7.7%和 4.1%,同时通过 8%和 5%的更好嵌入聚类获得了更好的结果。
Mar, 2024
本文提出了一种新的不完全多模态数据整合方法,利用变压器和生成对抗网络,利用辅助模态数据来提高单模态模型的性能,并将其应用于预测阿尔茨海默病的认知退化和疾病结果。
May, 2023
提出了一种基于超网络的方法,使用任务条件参数和多任务预测模型的系数来学习任务特定的预测并平衡多任务学习,将语义任务信息合并到模型中,以解决多任务学习中的干扰和泛化问题,并在真实世界的 MIMIC 数据库上表现出比强基线更好的多任务病人结果预测性能,在限制信息场景及对未见过的诊断类别问题,也能有效地应对。
Sep, 2021
本文以五个时间序列健康数据集和六个实验条件为基准,展开数据中心的方法来评估最先进的深度插补方法,发现没有单一的插补方法在所有五个数据集上表现最佳,插补表现取决于数据类型,变量统计,缺失率和类型,这表明在选择多变量时间序列数据的缺失值插补方法时要考虑数据的特定情况。
Feb, 2023
利用多模态数据,特别是医学实验的图像和时间序列数据,提出一种新的方法来改进临床应用中的多模态深度学习,在预测死亡率和表型分型等重要领域中取得了有效的结果,同时克服了噪声和不平衡数据集的挑战,并采用不确定性模型和注意力机制,提高了模型的性能和鲁棒性。
May, 2024
基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类,基于 The Cancer Genome Atlas (TCGA) 的实验结果表明,MultiCoFusion 的表现优于传统的特征提取方法。
Jan, 2022
本文提出了一个新颖的概率框架,用于处理具有缺失值的多变量时间序列数据的分类问题。通过训练两个部分的模型,一个用于缺失值填补的深度生成模型,一个用于分类的分类器,能够有效地建模填补缺失值带来的不确定性,并且利用新的正则化技术解决了合并模型可能产生的无意义填补解的问题,通过在真实世界数据上进行广泛实验,证明了我们方法的有效性。
Aug, 2023