MVKTrans：用于稳健多组学分类的多视角知识迁移
机器学习
2024-11-14 v1 人工智能
摘要
多组学数据的独特特征，包括生物层内部和跨层的复杂相互作用以及疾病异质性（如病因和临床症状的异质性），驱使我们开发新颖设计以应对多组学预测中的独特挑战。本文提出多视角知识迁移学习（MVKTrans）框架，通过审视数据异质性和抑制偏差迁移，自适应地迁移组学内部和跨组学知识，从而提升分类性能。具体而言，我们设计了一个在无标签数据上训练的图对比模块，以有效学习并迁移潜在的组学内模式到监督任务。这种无监督预训练促进了为每种模态学习通用且无偏的表示，而不论下游任务如何。考虑到不同疾病和/或样本中模态的判别能力各异，我们引入了一个自适应双向跨组学蒸馏模块。该模块自动识别更丰富的模态，并促进从更有信息量的组学向信息量较少的组学进行动态知识迁移，从而实现更稳健和泛化的集成。在四个真实生物医学数据集上的大量实验证明了 MVKTrans 相比于最先进方法的优越性能和鲁棒性。代码和数据可在 https://github.com/Yaolab-fantastic/MVKTrans 获取。
引用
@article{arxiv.2411.08703,
title = {MVKTrans: Multi-View Knowledge Transfer for Robust Multiomics Classification},
author = {Shan Cong and Zhiling Sang and Hongwei Liu and Haoran Luo and Xin Wang and Hong Liang and Jie Hao and Xiaohui Yao},
journal= {arXiv preprint arXiv:2411.08703},
year = {2024}
}