结合数据与领域知识剪枝基因调控动态神经网络模型
机器学习
2024-10-29 v2 定量方法
应用统计
机器学习
摘要
机器学习模型在科学领域的实用价值往往取决于其可解释性。通常，人们通过模型与现有领域知识的契合程度来评估其在科学发现及产生新见解方面的价值，而这一维度在神经网络模型的比较中目前很大程度上被忽视了。虽然剪枝可以简化深度神经网络架构并擅长识别稀疏模型，但正如我们在基因调控网络推断背景下所展示的，最先进的技术在具有生物学意义的结构学习方面仍面临困难。为了解决这个问题，我们提出了 DASH，这是一个可推广的框架，它在模型拟合过程中利用特定领域的结构信息来指导网络剪枝，从而产生更稀疏、可解释性更强且对噪声更具鲁棒性的模型。使用具有真实信息的合成数据以及真实的基因表达数据，我们表明，利用假想调控网络中关于基因相互作用伙伴的知识，DASH 大幅优于通用剪枝方法，并对所研究的生物系统产生了更深刻的见解。
引用
@article{arxiv.2403.04805,
title = {Pruning neural network models for gene regulatory dynamics using data and domain knowledge},
author = {Intekhab Hossain and Jonas Fischer and Rebekka Burkholz and John Quackenbush},
journal= {arXiv preprint arXiv:2403.04805},
year = {2024}
}
备注
Accepted to Conference on Neural Information Processing Systems (NeurIPS) 2024