LogGENE：用于深度医疗推理任务的检查损失的平滑替代方案
机器学习
2023-05-03 v3 神经与进化计算
机器学习
摘要
挖掘大型数据集并从中获得校准的预测，对于可靠的深度学习具有直接的相关性和实用性。在我们的工作中，我们为此类数据集（如基因表达）开发了基于深度神经网络的推理方法。然而，与典型的深度学习方法不同，我们的推理技术在达到最先进准确率的同时，还能提供解释并报告不确定性估计。我们采用分位数回归框架来预测一组给定的看家基因表达的全条件分位数。条件分位数除了能为预测提供丰富的解释外，还对测量噪声具有鲁棒性。我们的技术在高通量基因组学中尤为重要，该领域正在开创个性化医疗保健以及靶向药物设计和递送的新时代。然而，分位数回归中用于驱动估计过程的检查损失是不可微的。我们提出对数双曲余弦作为检查损失的平滑替代方案。我们将我们的方法应用于 GEO 微阵列数据集。我们还将该方法扩展到二分类设置。此外，我们研究了损失函数的平滑性在更快收敛方面的其他影响。我们进一步将分类框架应用于其他医疗推理任务，如心脏病、乳腺癌、糖尿病等。为了测试我们框架的泛化能力，还评估了其他非医疗相关的回归和分类任务数据集。
引用
@article{arxiv.2206.09333,
title = {LogGENE: A smooth alternative to check loss for Deep Healthcare Inference Tasks},
author = {Aryaman Jeendgar and Tanmay Devale and Soma S Dhavala and Snehanshu Saha},
journal= {arXiv preprint arXiv:2206.09333},
year = {2023}
}