面向深度学习模型的丢弃特征排序方法
机器学习
2018-03-12 v2 机器学习
摘要
深度神经网络（DNN）在多个领域取得了最先进的结果。遗憾的是，DNN 以其不可解释性而臭名昭著，从而限制了它们在生物学和医疗等假设驱动领域的适用性。此外，在资源受限环境下，设计依赖于更少且更具信息量的特征、从而在合理预算内实现高准确性的测试至关重要。我们旨在通过提出一种新的通用深度学习特征排序方法来弥补这一差距。我们表明，在从分类到回归、涵盖静态与时间序列场景的两个仿真和五个差异极大的数据集中，我们简单而有效的方法与八种稻草人、经典和深度学习特征排序方法表现相当或更优。我们还在药物响应数据集上展示了我们方法的应用，表明其能识别出与药物响应相关的基因。
引用
@article{arxiv.1712.08645,
title = {Dropout Feature Ranking for Deep Learning Models},
author = {Chun-Hao Chang and Ladislav Rampasek and Anna Goldenberg},
journal= {arXiv preprint arXiv:1712.08645},
year = {2018}
}