深度网络的双几何组织
机器学习
2015-07-02 v1 机器学习
摘要
本文构建了一种高维数据集的组织方法，这些数据集由于缺失条目以及部分特征与建模感兴趣的函数无关，而无法被干净地嵌入低维表示。我们的算法首先定义点的粗邻域并在这些邻域上定义期望经验函数值。然后我们生成新的非线性特征，使用深度网络表示来调整以建模近似函数，并相对于新表示重新组织点的几何。最后，点对局部z-score标准化以创建内在几何组织，该组织独立于深度网络的参数，这种几何旨在确保关于经验函数的平滑性。我们在来自医疗保险和医疗补助服务中心医院质量倡议的数据上检验此方法，并生成医院的内在低维组织，该组织对专家驱动的质量函数是平滑的。
引用
@article{arxiv.1507.00220,
title = {Bigeometric Organization of Deep Nets},
author = {Alexander Cloninger and Ronald R. Coifman and Nicholas Downing and Harlan M. Krumholz},
journal= {arXiv preprint arXiv:1507.00220},
year = {2015}
}