深度神经网络的全迁移学习及其在败血症分类中的应用
计算机视觉与模式识别
2017-11-15 v1
摘要
在本文中，我们提出一种用于深度神经网络（DNNs）的迁移学习方法。深度学习已广泛应用于许多领域。然而，当大量训练数据不可用时，应用深度学习是有问题的。解决该问题的常规方法之一是DNNs的迁移学习。在图像识别领域，最先进的DNNs迁移学习方法重用源域数据上训练的参数（输出层除外）。然而，当目标域数据量极小时，该方法可能导致较差的分类性能。为解决此问题，我们提出一种称为全迁移深度学习（All-Transfer Deep Learning）的方法，其能够迁移DNN的所有参数。利用该方法，我们可以通过源域知识计算源标签与目标标签之间的关系。我们将该方法应用于实际的二维电泳图像（2-DE图像）分类，以判断个体是否患有败血症；这是将分类方法应用于蛋白质组学2-DE图像的首次尝试，作为超越基因组学的扩展已引起相当关注。结果表明，我们提出的方法优于常规的DNNs迁移学习方法。
引用
@article{arxiv.1711.04450,
title = {All-Transfer Learning for Deep Neural Networks and its Application to Sepsis Classification},
author = {Yoshihide Sawada and Yoshikuni Sato and Toru Nakada and Kei Ujimoto and Nobuhiro Hayashi},
journal= {arXiv preprint arXiv:1711.04450},
year = {2017}
}
备注
Long version of article published at ECAI 2016 (9 pages, 13 figures, 8 tables)