EAPCR：一种无需显式特征关系模式的科学数据通用特征提取器
机器学习
2024-11-14 v1 计算机视觉与模式识别
摘要
传统方法，包括基于决策树（DT）的方法，在非图像医学诊断、系统异常检测和无机催化效率预测等科学任务中一直表现有效。然而，大多数深度学习技术难以超越甚至匹敌传统机器学习方法所达到的成功水平。主要原因在于这些应用涉及多源异构数据，其中特征缺乏显式关系。这与图像数据（像素具有空间关系）、文本数据（词语具有序列依赖性）和图数据（节点通过既定关联连接）形成对比。缺乏显式特征关系模式（FRP）对深度学习技术在非图像、非文本和非图结构的科学应用中构成了重大挑战。在本文中，我们介绍了EAPCR，一种专为无显式FRP数据设计的通用特征提取器。在各种科学任务上的测试表明，EAPCR始终优于传统方法，并弥合了深度学习模型表现不佳的差距。为了进一步证明其鲁棒性，我们合成了一个无显式FRP的数据集。尽管Kolmogorov-Arnold网络（KAN）以及卷积神经网络（CNN）、图卷积网络（GCN）和Transformer等特征提取器表现不佳，但EAPCR表现出色，证明了其在无FRP的科学任务中的鲁棒性和优越性能。
引用
@article{arxiv.2411.08164,
title = {EAPCR: A Universal Feature Extractor for Scientific Data without Explicit Feature Relation Patterns},
author = {Zhuohang Yu and Ling An and Yansong Li and Yu Wu and Zeyu Dong and Zhangdi Liu and Le Gao and Zhenyu Zhang and Chichun Zhou},
journal= {arXiv preprint arXiv:2411.08164},
year = {2024}
}