基于生成对抗网络的选择性集成特征到表现合成（SE-CTES）方法及其在医疗健康中的应用
机器学习
2022-05-31 v1 机器学习
摘要
研究特征与表现之间的因果关系在医疗健康分析中起着关键作用。利用给定特征对表现进行有效合成，可为健康风险管理和医疗决策做出重大贡献。例如，根据给定治疗特征预测患者产生的生理症状，有助于疾病预防与个性化治疗策略设计。因此，本研究的目标是基于给定特征有效合成表现。然而，从特征到表现的映射通常是从相对低维空间到高维空间，但大多数现有方法（如回归模型）无法有效处理此类映射。此外，特征与表现之间的关系可能不仅包含确定性模式，还包含随机性模式。为应对这些挑战，本文提出了一种受生成对抗网络（GAN）启发的新型选择性集成特征到表现合成（SE-CTES）方法。所提方法的新颖性可归纳为三方面：（1）引入基于GAN的深度神经网络架构，以学习包含确定性与随机性模式的相对低维到高维映射；（2）提出基于GAN架构的两种失配误差权重应不同，以降低训练过程中的学习偏差；（3）提出选择性集成学习框架，以降低预测偏差并提升合成稳定性。为验证所提方法的有效性，进行了大量数值模拟研究和一个真实医疗健康案例研究，结果表明该方法极具前景。
引用
@article{arxiv.2205.14751,
title = {A Generative Adversarial Network-based Selective Ensemble Characteristic-to-Expression Synthesis (SE-CTES) Approach and Its Applications in Healthcare},
author = {Yuxuan Li and Ying Lin and Chenang Liu},
journal= {arXiv preprint arXiv:2205.14751},
year = {2022}
}