Jan, 2024

基于鲁棒加权评分的特征选择方法用于高维二元类不平衡基因表达数据

PDF
TL;DR该研究提出了一种适用于高维基因表达二分类的不平衡数据的鲁棒加权评分方法（ROWSU），通过解决基因表达数据集中高度倾斜的类分布问题，从而提高分类算法的性能。该方法通过平衡训练数据集、贪心搜索选择最小基因子集、引入支持向量计算权重的新型鲁棒评分方法，确保选择出最具辨识性的基因，并在最后与贪心搜索选择的基因子集组合以形成最终基因子集。实验证明，该方法在三种分类性能评估指标下优于现有的基于 k 最近邻（kNN）和随机森林（RF）分类器的特征选择算法。
发现论文，激发创造
  • 基于深度学习模型的模糊基因选择和癌症分类

    通过应用模糊基因选择技术，本研究提出了一个新的肿瘤分类模型，优于标准 MLP 方法，并在生物医学科学领域中提高了基因表达数据的分类准确性。

    May, 2023

  • 距离排名得分：针对不平衡数据集的无监督特征选择过滤方法

    介绍了一种针对不平衡多类别数据集的新型无监督特征选择过滤方法，并与现有的适用于无监督数据的过滤方法进行了比较。该方法基于 Spearman 等级相关系数，避免了现有方法中特征方差不适用于不同类型观测的问题。该方法已在多个聚类问题中进行了性能测量。

    May, 2023

  • 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

  • 一种自适应加权软边界的不平衡支持向量机分类的广义框架

    提出了一种新的广义框架，即自适应权重函数用于软间隔加权支持向量机 (AW-WSVM)，旨在增强标准支持向量机 (SVM) 中不平衡和异常值敏感性的问题，通过引入权重系数到非约束软间隔支持向量机，并在每次训练之前更新样本权重。在标准数据集和情感分类数据集上进行实验，结果表明所提出的广义框架在准确性、召回率和 G-mean 方面优于其他方法，验证了本论文中提供的加权策略的有效性。

    Mar, 2024

  • 基于自适应 K 近邻的多目标 PSO 微阵列表达数据基因选择

    本研究提出了一种新的方法，使用基因表达数据进行癌症分类问题的解决，首先运用信噪比算法筛选出非冗余基因的子集，然后运用多目标粒子群算法进行特征选择，并采用自适应 K 最近邻算法进行癌症分类，从而提高了癌症分类的准确性。

    May, 2022

  • 基于自适应排名的弱监督类不平衡文本分类样本选择

    采用 Adaptive Ranking-based Sample Selection 框架来解决弱监督下数据不平衡的问题，可提高文本分类任务的效果。

    Oct, 2022

  • 结直肠癌风险预测模型特征选择的比较研究

    针对结直肠癌，评估了多种特征排序算法在一组风险预测模型中的性能，通过标量稳定性度量和一种可视化方法评估其稳定性，与专家提供的特征进行了比较分析，并发现了与专家知识相一致的最相关特征。

    Feb, 2024

  • 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

  • 排名与重新加权改善组分布鲁棒性

    本文提出了一种基于 Discounted Cumulative Gain（DCG）评估模型质量的方法，并建议了 Discounted Rank Upweighting（DRU）训练方法以提高模型的品质，在实验中结果表明，这种基于组排名的训练方法能够选择和学习出对组分布性变化具有鲁棒性的模型。

    May, 2023

  • 自动语音评估的优化：W-RankSim 正则化和混合特征融合策略

    自动语音评估（ASA）通过最近的研究中使用自监督特征（SSL）取得了显著进展。然而，在 ASA 中存在一个关键挑战，即数据的不平衡分布，特别在英语测试数据集中表现明显。为了解决这个挑战，我们将 ASA 视为一个序列分类任务，引入了加权向量排序相似度（W-RankSim）作为一种新的正则化技术。W-RankSim 鼓励输出层中加权向量更靠近类似类别，这意味着具有相似标签的特征向量在收敛到相应的加权向量时逐渐靠近彼此。广泛的实验评估确认了我们方法在提高 ASA 的序列分类性能方面的有效性。此外，我们提出了一个混合模型，结合了 SSL 和手工制作的特征，展示了手工制作特征如何增强 ASA 系统的性能。

    Jun, 2024