FaFCNN：一种基于特征融合神经网络的通用疾病分类框架
机器学习
2023-07-25 v1 人工智能
信息检索
摘要
将深度学习/机器学习方法应用于疾病分类任务存在两个基本问题：一是训练样本数量不足且质量较差；二是如何有效融合多源特征从而训练出鲁棒的分类模型。针对这些问题，受人类学习知识过程的启发，我们提出了特征感知融合关联神经网络（FaFCNN），其引入了基于领域对抗学习的特征感知交互模块与特征对齐模块。这是一个用于疾病分类的通用框架，FaFCNN改进了现有方法获取样本关联特征的方式。实验结果表明，使用通过预训练梯度提升决策树得到的增强特征进行训练，比基于随机森林的方法获得更大的性能增益。在我们构建的含有大量缺失数据的低质量数据集上，与具有竞争力的基线相比，FaFCNN始终取得最优性能。此外，大量实验证明了所提方法的鲁棒性以及模型各组件的有效性\footnote{Accepted in IEEE SMC2023}。
引用
@article{arxiv.2307.12518,
title = {FaFCNN: A General Disease Classification Framework Based on Feature Fusion Neural Networks},
author = {Menglin Kong and Shaojie Zhao and Juan Cheng and Xingquan Li and Ri Su and Muzhou Hou and Cong Cao},
journal= {arXiv preprint arXiv:2307.12518},
year = {2023}
}