不确定性感知的 INVASE：增强的乳腺癌诊断特征选择
机器学习
2021-05-07 v1 人工智能
计算机视觉与模式识别
摘要
本文中，我们提出一种不确定性感知的 INVASE，以量化医疗健康问题的预测置信度。通过引入可学习的高斯分布，我们利用其方差来度量不确定程度。在原始 INVASE 基础上，提出两个附加模块，即预测器中的不确定性量化模块与选择器中的奖励塑形模块。我们在 UCI-WDBC 数据集上进行了充分实验。值得注意的是，我们的方法仅用约 20% 的查询即消除了几乎所有预测偏差，而不确定性无关的对等方法需要近 100% 的查询。带有详细教程的开源实现可在 https://github.com/jx-zhong-for-academic-purpose/Uncertainty-aware-INVASE/blob/main/tutorialinvase%2B.ipynb 获取。
引用
@article{arxiv.2105.02693,
title = {Uncertainty-aware INVASE: Enhanced Breast Cancer Diagnosis Feature Selection},
author = {Jia-Xing Zhong and Hongbo Zhang},
journal= {arXiv preprint arXiv:2105.02693},
year = {2021}
}