基于有监督自编码器的生物医学半监督分类方法
机器学习
2022-08-24 v1 人工智能
基因组学
摘要
本文提出一种解决生物医学应用中半监督分类任务的新方法,该方法涉及一个有监督自编码器网络。我们构建了一种将标签编码进自编码器潜空间的网络架构,并定义了结合分类损失与重构损失的全局准则。我们使用双下降算法在带标签数据上训练半监督自编码器(SSAE)。然后,借助应用于潜空间的 softmax 分类器(其为每个类别提供分类置信度分数),利用所学网络对无标签样本进行分类。我们使用 PyTorch 框架实现 SSAE 方法的模型、优化器、调度器与损失函数。我们将半监督自编码器方法(SSAE)与标签传播、标签扩散等经典半监督方法以及全连接神经网络(FCNN)进行比较。实验表明,在合成数据集与两个真实世界生物数据集上,SSAE 均优于标签传播、标签扩散和全连接神经网络。
引用
@article{arxiv.2208.10315,
title = {Semi-supervised classification using a supervised autoencoder for biomedical applications},
author = {Cyprien Gille and Frederic Guyard and Michel Barlaud},
journal= {arXiv preprint arXiv:2208.10315},
year = {2022}
}
备注
9 pages