Mar, 2024

多组学数据集成的监督多核学习方法

PDF
TL;DR多核学习是一种在生物学和生物信息学中用于多组学输入的灵活、有效的方法，并且可以与深度学习架构相竞争，为异构数据集成方法提供了进一步发展和生物数据挖掘研究的方向。
high-throughput technologiesomics datasetsmultiple kernel learning (mkl)kernel fusion strategiesmulti-omics genomic data
发现论文，激发创造
  • 二阶段多核学习的二元分类框架

    本文将 Multiple Kernel Learning 问题表述为标准的二分类问题，并在保持学习内核正定性的附加约束条件下进行处理，从而使得更好、更可扩展的 MKL 算法能够更容易地利用二分类研究，从而在各个领域中取得更好的性能，并且易于在实践中操作。进行的实验结果表明，所提出的技术虽然简单，但相比于目前的领先 MKL 方法具有明显的优势。

    Jun, 2012

  • 基于图聚类和半监督分类的自加权多核学习

    本文提出了一种新的 MKL 框架，通过将每个核定义为一致核的扰动，并为接近一致核的核分配大权重来解决现有算法的各种问题。该框架被集成到用于基于图形的聚类和半监督分类的统一框架中，并在多个基准数据集上得到了实验验证，证实了新框架的优越性。

    Jun, 2018

  • 基于图的在线多核学习

    该论文提出了一种数据驱动的核选择方法，利用相似性构建和优化图，辅助选择核子集，以提高函数近似的准确性和降低计算复杂度，并且采用随机特征逼近来实现在线学习，并通过实验证明了新方法的优势。

    Feb, 2021

  • 多个局部线性核机器

    提出了一种基于局部线性分类器组合的新非线性分类器，通过使用许多局部线性核将问题转化为 l1 多核学习问题，并提供了一种可扩展的用于处理流核的通用 MKL 训练算法，从而得到了适应高准确性但较慢的非线性分类器和快速但较低准确性的线性分类器之间的分类器。

    Jan, 2024

  • 多模态学习用于多组学研究的调查

    本文概述了多组学数据分析所面临的数据挑战，深入探讨了多模态学习和融合方法并归纳了当前已有的软件工具及开源数据集，最终提出解决方案以推动多组学数据分析的发展。

    Nov, 2022

  • 基于本地化多核学习的异常检测：单类分类

    本文提出了一种新的基于局部多核学习和门函数的一类分类算法，用于异常检测，与现有算法相比，该算法在 25 种基准数据集上的性能明显更好，支持向量更少。

    May, 2018

  • 数据驱动的知识融合用于深度多实例学习

    本文提出了基于数据驱动知识融合的深度多实例学习算法（DKMIL），该算法采用新的模型数据接口，通过知识融合模块从样本中提取有价值的信息以辅助模型训练，并使用两级注意力模块逐步学习样本的浅层和深层特征以实现更有效的分类。在对 6 个类别的 38 个数据集进行实验的同时证明了知识融合模块的可扩展性和所提出体系结构的有效性。

    Apr, 2023

  • 自闭症预测和生物标志物发现的多模态多核图学习

    通过提出 MMKGL（Multi-modal Multi-Kernel Graph Learning）来解决多模态图学习的问题，利用该方法提取多模态图中的异质信息，基于 Autism Brain Imaging Data Exchange (ABIDE) 数据集进行评估并识别与自闭症相关的脑区。

    Mar, 2023

  • 本地化多核学习 —— 一种凸优化方法

    本文提出了一种基于局部策略的多核学习方法，采用凸优化算法和 Fenchel 对偶表示，对于应用于计算生物学和计算机视觉等应用领域的真实数据集，相比全局和非凸局部策略，此方法能够获得更高的预测准确性。

    Jun, 2015

  • 个性化在线联邦学习的多核方法

    基于多核学习的在线非线性函数逼近，通过联邦学习在分布在不同客户端之间的数据上训练多核模型；提出一种算法框架，允许客户端以可负担的通信成本与服务器进行通信，并利用随机特征近似提出可扩展的在线联邦多核学习算法。实验证明，与其他在线联邦核学习算法相比，该算法具有显著优势。

    Nov, 2023