AAAINov, 2022

特征选择小样本表格生物医学数据的重量预测网络

PDF
TL;DR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。
tabular biomedical dataneural networkssmall sample datafeature selectionclassification
发现论文，激发创造
  • 高维生物数据上的特征选择网络 FsNet

    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。

    Jan, 2020

  • 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

  • TFWT：具有 Transformer 的表格特征权重

    本文提出了一种新颖的特征加权方法来解决现有的表格数据特征处理方法的局限性。通过采用 Transformer 捕捉复杂的特征依赖关系并为离散和连续特征分配适当的权重，再结合强化学习策略对权重进行微调，我们的 TFWT 方法在各种真实数据集和不同下游任务上获得了令人满意的实验结果，凸显了在表格数据分析中增强特征加权的潜力。

    May, 2024

  • 用于表格生物医学数据的局部稀疏神经网络

    本研究提出了一种适用于生物医学领域、intrinsically interpretable 的神经网络框架，采用局部稀疏网络和 gating 网络实现对样本的 sample-specific sparsity 预测，减少了对小样本数据的过拟合，提高了模型的可解释性，并证明了该模型在生物预测任务中的优越性。

    Jun, 2021

  • WSNet: 通过权重采样实现紧凑高效的神经网络

    WSNet 是一种用于学习紧凑高效的深度神经网络的新方法和新架构，其通过采样可学习参数的紧凑集合来促进参数共享，并考虑应用在音频分类方面，实验证明此方法可以更有效地学习与基准相比卷积滤波器数量相等但更小的网络，并且在权重量化的情况下，所得模型的尺寸理论上可缩小至 16 倍，速度可提升至 180 倍，但无明显性能降低。

    Nov, 2017

  • 基于特征的乳腺 X 线图像分类：加权特征支持向量机

    本文通过将更多的权重分配给相关特征，使用最大偏差原则构建预计算内核函数，利用加权特征支持向量机 (WFSVM) 自动分类良性或恶性的乳腺组织类型，将 MIAS 乳腺 X 线图像数据库分为训练和测试集，并使用预处理技术和特征提取，结果显示使用 WFSVM 分类器的纹理特征的准确性优于其他特征，并且支持向量的数量少于 SVM 分类器。

    Sep, 2020

  • 为表格先验数据拟合网络缩放的草图和特征选择

    给定一种预先训练的 TabPFN 对于表格数据，如何将标注的训练样本进行摘要以便输入模型是最佳的方法？我们对 TabPFN 进行了定购和特征选择方法的初步研究，并注意到它与传统拟合表格模型之间的某些关键差异。

    Nov, 2023

  • 对分类器分类：剖析神经网络的权重空间

    本文介绍了一个关于神经网络权重的实证研究。通过采样多种不同神经网络分类器的训练变化，使用机器学习方法从权重空间中提取和分析信息，特别地构建了一些新型的深度元分类器，用于检测通过超参识别并在优化过程中编码为权重的模式，从而提供了一种新颖和互补的可解释 AI 视角，并释放了一个神经权重空间（NWS）数据集，以促进进一步研究。

    Feb, 2020

  • 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

  • 饮食网络：为肥胖基因组而瘦身参数

    本文提出了一种新颖的神经网络参数化方法，通过将分布式表征与神经网络相结合，解决了基因组数据维数过高导致深度学习模型泛化性能较差的问题，并在人口分化的任务上取得了显著的参数数目和分类器误差率的降低。

    Nov, 2016