卷积基序核网络
机器学习
2023-10-09 v3 人工智能
摘要
人工神经网络在检测与特定结果相关的数据相关性方面表现出良好的性能。然而，此类模型的黑箱性质会掩盖决策过程，阻碍研究人员充分概念化预测结果，从而妨碍研究领域的知识进步。此外，像医疗提供者这样的领域专家需要可解释的预测，以评估在高风险场景中预测结果是否可信，并帮助他们将模型整合到自己的常规工作中。因此，可解释模型对于将机器学习引入医疗等高风险场景起着关键作用。本文提出卷积基序核网络（Convolutional Motif Kernel Networks），一种在位置感知基序核函数的再生核希尔伯特空间子空间内学习特征表示的神经网络架构。所得模型能够通过提供具有生物学和医学意义的解释，直接解释和评估预测结果，而无需额外的后验分析。我们表明，我们的模型能够在小数据集上稳健地学习，并在相关医疗预测任务上达到最先进的性能。我们提出的方法可用于 DNA 和蛋白质序列。此外，我们表明所提方法通过端到端学习方案直接从数据中学习到具有生物学意义的概念。
引用
@article{arxiv.2111.02272,
title = {Convolutional Motif Kernel Networks},
author = {Jonas C. Ditz and Bernhard Reuter and Nico Pfeifer},
journal= {arXiv preprint arXiv:2111.02272},
year = {2023}
}