定向深度学习：框架、方法与应用

深度学习系统通常设计用于应对广泛的测试输入。例如，自动驾驶汽车中的深度学习系统应当处理它们未被专门训练过的交通场景。一般而言，应对大量未见过测试输入的能力被称为泛化。在可能的测试输入已知但繁多或根本未知的应用中，泛化无疑很重要，但也存在这样的情况：可能的输入数量少且未标注但事先已知。例如，医学目前有兴趣对个体患者进行定向治疗；任意给定时刻的患者数量通常很少（通常为一），他们的诊断/反应/……仍未知，但他们的一般特征（如基因组信息、血液中的蛋白水平等）在治疗前已知。我们提议将此类应用中的深度学习称为定向深度学习(targeted deep learning)。本文中，我们引入一个定向深度学习的框架，并设计且测试了一种使标准流程适应定向深度学习需求的方法。该方法非常通用且易于使用：它可作为简单的数据预处理步骤实现。我们在多种真实世界数据上证明，当测试输入事先已知时，我们的方法确实能使标准深度学习更快且更准确。