用于体检数据的深度信念网络自适应结构学习及其基于C4.5的知识提取
神经与进化计算
2018-08-28 v1 人工智能
摘要
深度学习具有分层网络架构以表示输入模式的复杂特征。深度信念网络(DBN)的自适应结构学习方法已被开发。该方法通过神经元生成-湮灭算法在受限玻尔兹曼机(RBM)中发现给定输入数据的最优隐藏神经元数，并通过该算法的扩展在DBN中生成新的隐藏层。本文将提出的DBN自适应结构学习应用于综合体检数据以进行癌症预测。该预测系统显示出比传统DBN更高的分类准确率（训练99.8%，测试95.5%）。此外，通过C4.5从训练好的DBN网络中提取了关于输入与输出模式间关系的显式知识。本文报道了以IF-THEN规则形式提取的用于早期发现初期癌症的一些特征。
引用
@article{arxiv.1808.08777,
title = {Adaptive Structural Learning of Deep Belief Network for Medical Examination Data and Its Knowledge Extraction by using C4.5},
author = {Shin Kamada and Takumi Ichimura and Toshihide Harada},
journal= {arXiv preprint arXiv:1808.08777},
year = {2018}
}
备注
8 pages, 7 figures, The First IEEE International Conference on Artificial Intelligence and Knowledge Engineering (AIKE2018)