面向生命科学测量的短序列与高维时序监督学习
机器学习
2011-10-12 v1
摘要
对随时间变化的生理过程的分析通常由仅有少数几个时间点但测量变量数目庞大的光谱或基因表达时序谱给出。此类时序序列的分析具有挑战性，且仅有少数方法被提出。信息可以以时间无关的方式编码，即通过单个时间点的经典表达差异或随时间的表达谱。现有方法仅限于无监督和半监督设置。预测变量只能通过包装器或后处理技术来识别。由于此类研究的样本数量较少，这使得问题更加复杂。在此，我们提出了一种监督学习方法，称为监督时序拓扑映射（SGTM-TT）。它将时序序列学习映射到一个低维网格上。我们利用隐马尔可夫模型（HMM）来处理时间域，并利用相关性学习来识别随时间最具预测性的相关特征维度。学习到的映射可用于可视化时序序列并预测新序列的类别。相关性学习允许识别具有判别性的质量数或基因表达，并剪除对分类任务不必要或主要编码噪声的维度。通过这种方式，我们获得了一个非常高效的时序序列学习系统。结果表明，与标准技术相比，同时使用监督学习和度量自适应显著提高了对合成数据和真实数据的预测精度。相关性学习识别出的判别性特征与其他方法的结果相比具有优势。我们的方法允许在低维网格上可视化数据，突出显示观测到的时序结构。
引用
@article{arxiv.1110.2416,
title = {Supervised learning of short and high-dimensional temporal sequences for life science measurements},
author = {F. -M. Schleif and A. Gisbrecht and B. Hammer},
journal= {arXiv preprint arXiv:1110.2416},
year = {2011}
}