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

May, 2024

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

An Autoencoder and Generative Adversarial Networks Approach for Multi-Omics Data Imbalanced Class Handling and Classification

PDF

Ibrahim Al-Hurani, Abedalrhman Alkhateeb, Salama Ikki

TL;DR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。

Abstract

In the relentless efforts in enhancing medical diagnostics, the integration of state-of-the-art machine learning methodologies has emerged as a promising research area. In molecular biology, there has been an exp

machine learning methodologies molecular biology multi-omics sequencing dimensionality reduction techniques neural network

发现论文，激发创造

潜在保存对抗生成网络用于不平衡分类

本文提出了一种端到端的深度生成分类器，通过使用领域约束自编码器作为生成器的先验来解决类不平衡问题，并使用判别器和分类器进行对抗学习，实验结果验证了该方法在处理高维类不平衡分类问题方面的卓越性。

Sep, 2022

现实世界中的深度生成模型：医学图像的开放挑战

本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

Jun, 2018

医学影像数据增强的深度学习方法综述

深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

Jul, 2023

GAN 增强：使用生成对抗网络进行训练数据增强

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018

自编码器在临床记录表示学习中的稀疏性降维适应

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。

Sep, 2022

用于显微原位杂交图像分析和分类的自动编码器优化

本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

Apr, 2023

使用混合高斯变分自编码器抵抗对抗攻击

本文介绍了一种利用变分自编码器 (VAE) 来解决深度神经网络 (DNN) 易受到针对性攻击的问题的方法，其关键是将鉴别模型与生成模型相结合，在先验分布中进行选择性分类，从而提高分类的准确性。

May, 2018

医学应用中不相干因素分离方法综述：解开医疗生成模型的难题

本文综述了流行的生成模型，讨论了去解开深层神经网络的黑盒问题，通过分离潜在表征，提高对医学数据生成过程的控制和可解释性，从而在不侵犯病人隐私的前提下合成人工医学数据集，发掘数据生成特征，以及在医疗应用中获取新的结论。

Mar, 2022

自动编码生成对抗网络的变分方法

本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

Jun, 2017

通过联合生成和分类缓解数据集不平衡

本研究通过组合神经网络分类器和生成对抗网络技术提出了一种联合数据集修复策略，用于解决数据集不平衡所导致的性能下降和数据偏差问题，实验证明这种方法可以提高分类器和生成对抗网络的鲁棒性。

Aug, 2020