面向多视图学习的可解释深度学习方法
机器学习
2024-02-19 v2 统计方法学
机器学习
摘要
技术进步使得生成独特且互补类型的数据或视图（如基因组学、蛋白质组学、代谢组学）成为可能，并开启了多视图学习研究的崭新时代，有望带来新的生物医学发现。我们提出 iDeepViewLearn（面向多视图学习的可解释深度学习方法），用于学习来自多个视图的数据中的非线性关系，同时实现特征选择。iDeepViewLearn 将深度学习的灵活性与数据和知识驱动特征选择的统计优势相结合，给出可解释的结果。深度神经网络通过一个最小化观测数据与重构数据之间差异、同时对重构数据施加正则化惩罚的优化问题，来学习视图无关的低维嵌入。利用图的归一化拉普拉斯算子对每个视图中变量之间的双边关系进行建模，从而鼓励选择相关变量。iDeepViewLearn 在模拟数据和两个真实世界数据（包括乳腺癌相关基因表达和甲基化数据）上进行了测试。iDeepViewLearn 取得了具有竞争力的分类结果，并识别出区分因乳腺癌死亡与未死亡个体的基因和 CpG 位点。我们的真实数据应用以及小到中等样本量模拟的结果表明，与其他多视图学习的深度学习方法相比，iDeepViewLearn 可能是一种适用于小样本量问题的有用方法。
引用
@article{arxiv.2302.07930,
title = {Interpretable Deep Learning Methods for Multiview Learning},
author = {Hengkang Wang and Han Lu and Ju Sun and Sandra E Safo},
journal= {arXiv preprint arXiv:2302.07930},
year = {2024}
}
备注
Published in BMC Bioinformatics (https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-024-05679-9)