forgeNet：一种基于树集成分类器进行特征提取的图深度神经网络模型
机器学习
2019-05-27 v1 机器学习
社会与信息网络
摘要
组学数据预测模型构建中的一个独特挑战是样本量 小 versus 特征量 大。这种“”特性给使用深度学习技术进行疾病结局分类带来了困难。通过引入外部基因网络信息（如图嵌入深度前馈网络（GEDFN）模型）的稀疏学习一直是解决此问题的方法。然而，此类方法需要已有的特征图，且特征图的潜在误设定会对分类和特征选择造成不利影响。为克服这一局限并开发不依赖外部知识的鲁棒分类模型，我们提出森林图嵌入深度前馈网络（forgeNet）模型，将 GEDFN 架构与森林特征图提取器相整合，从而以有监督方式学习特征图，并针对给定预测任务专门构建。为验证该方法能力，我们使用合成与真实数据集对 forgeNet 模型进行实验。所得的高分类准确率表明，该方法是组学数据稀疏深度学习模型的有价值补充。
引用
@article{arxiv.1905.09889,
title = {forgeNet: A graph deep neural network model using tree-based ensemble classifiers for feature extraction},
author = {Yunchuan Kong and Tianwei Yu},
journal= {arXiv preprint arXiv:1905.09889},
year = {2019}
}