自编码器在临床记录表示学习中的稀疏性降维适应

Sep, 2022

自编码器在临床记录表示学习中的稀疏性降维适应

Adaptation of Autoencoder for Sparsity Reduction From Clinical Notes Representation Learning

Thanh-Dung Le, Rita Noumeir, Jerome Rambaud, Guillaume Sans, Philippe Jouvet

TL;DR通过使用自动编码器学习算法对稀疏高维数据进行压缩，实现对临床笔记的表征特征空间的稀疏性减少，从而提高分类器的分类性能，最终该分类器在检测患者状况时的准确率可达到 92%，召回率、精确率和 f1-score 均为 91%。此外，理论信息瓶颈框架也被应用于该压缩工作机制和自动编码器预测过程的演示。

Abstract

When dealing with clinical text classification on a small dataset recent studies have confirmed that a well-tuned multilayer perceptron outperforms other generative classifiers, including deep learning ones. To i

clinical text classification multilayer perceptron feature selection autoencoder learning algorithm sparsity reduction

发现论文，激发创造

从临床笔记中的无监督患者表征得出可解释的分类决策

使用自编码器模型和段落向量模型，直接从医学记录中学习任务无关的密集病人信息，比较与稀疏表示方法的表现，并利用编码的特征进行解释和筛选

Nov, 2017

临床记录患者表征学习及其可解释性评估

该研究通过分别使用堆叠去噪自编码器和段落向量模型来学习临床记录中与任务独立的密集患者表示。进而比较疾病分类等监督学习任务中，密集表示相较于传统的词袋模型的表现以及从医学概念中提取特征的表现。结果表明，密集表示在处理少量数据和缺少强语义信息的任务时有优势。最后，提出的新技术有助于强化模型可解释性。

Jul, 2018

使用自编码器和生成对抗网络的方法处理多组学数据的不平衡类别和分类

该研究使用神经网络结合自编码器提取特征的潜在空间，并利用生成对抗网络 GAN 生成合成样本，以解决医学数据集中的样本不平衡和高维数据降维的挑战，并在膀胱癌数据集和乳腺癌数据集上分别取得了 95.09% 和 88.82% 的准确度。

May, 2024

稀疏自编码器的扩展和评估

稀疏自编码器通过重构来自稀疏瓶颈层的激活，提供了一种从语言模型中提取可解释特征的有前途的无监督方法。我们提出使用 k - 稀疏自编码器来直接控制稀疏性，简化调整并改进重构 - 稀疏性的界限，并引入一些评估特征质量的新度量标准，这些度量标准在自编码器的规模大小上通常会有所改善。

Jun, 2024

k - 稀疏自编码器

本研究旨在探讨通过鼓励稀疏性来学习表示的有效性，提出了一种名为 k-sparse 自编码器的方法，该方法取得了比其他方法更好的 MNIST 和 NORB 分类结果。

Dec, 2013

V1 的稀疏几何自编码器模型

该论文提出了一种基于自编码器的结构稀疏方法，可以更好地匹配灵长类数据，使用加权 L1 约束的自编码器目标函数保留了稀疏编码框架的核心思想。

Feb, 2023

基于自编码器的 ICU 临床代码预测

研究使用 ML 方法对患者的电子健康记录中的临床代码进行自动填充，其中包括使用不完整临床代码和其他临床相关数据来完成此任务，结果表明使用自编码器方法获得最佳表现。

May, 2023

科学数据压缩的稀疏 L1 自编码器

使用高维稀疏特征表达式通过 L1 正则化的自编码器产生的信息丰富潜在空间，可以有效地用于科学数据压缩，解决高性能分布式计算环境下传输、存储和分析的瓶颈问题。

May, 2024

面向多元时间序列异常检测的高效深度自编码器

通过剪枝、量化和深度自编码器压缩方法，本文提出了一种能够在有限时间和内存约束下实现模型大小减小的方法，以便在高度受限的硬件环境中更快速和容易采用的压缩模型，并在多变量异常检测中实现显著的模型压缩比（80% 至 95%）而不显著降低异常检测性能。

Mar, 2024

深度判别潜空间聚类

本研究提出优化自动编码器的磨损和判别力对数的预训练阶段，以获得更高的聚类准确性和更快的收敛速度。

May, 2018