通过高效神经搜索寻找可解释的类别特定模式
机器学习
2023-12-08 v1 定量方法
摘要
发现最能描述类别间差异的数据模式，有助于假设和推理类别特异性机制。例如，在分子生物学中，这有望促进对组织或疾病间不同细胞过程的理解，从而可能带来新的治疗方法。为了在实践中发挥作用，解决此类差异模式发现问题的方法必须易于领域专家解释，并且可扩展到极高维数据。在这项工作中，我们提出了一种新颖的、本质可解释的二元神经网络架构DIFFNAPS，用于从数据中提取差异模式。DiffNaps可扩展到数十万个特征，并且对噪声具有鲁棒性，从而克服了当前最先进方法在生物学等大规模应用中的局限性。我们在合成数据和真实世界数据（包括三个生物学应用）上表明，与竞争对手不同，DiffNaps始终能产生准确、简洁且可解释的类别描述。
引用
@article{arxiv.2312.04311,
title = {Finding Interpretable Class-Specific Patterns through Efficient Neural Search},
author = {Nils Philipp Walter and Jonas Fischer and Jilles Vreeken},
journal= {arXiv preprint arXiv:2312.04311},
year = {2023}
}