10:19官方账号arXiv cs.LG@Jielong Lu, Zhihao Wu, Jiajun Yu, Zhaoliang Chen, Haishuai WangSIMPLE模型利用合成任务先验开展多视图可复用推理预训练,在多组学基准测试中无需额外调整即可取得较好结果。该模型针对多视图和多组学场景设计,验证了可复用推理的可行性。与传统方法对比,其减少了知识重复学习的浪费,提升了应用效率。AI模型SIMPLE推理模型多组学推荐理由:SIMPLE这个模型做了个用合成任务先验做多视图可复用推理的事,在多组学数据上直接用冻结方式就好,比以前方法省事儿。原文稍后读已读值得跟进有用关注 SIMPLE
12:12官方账号arXiv cs.LG@Pedro Henrique da Costa Avelar, Le Ou-Yang, Min Wu, Sophia Tsoka该论文报道了Pathway Activity Autoencoders(PAA)框架,通过通路约束的架构实现多组学数据集成与可解释性。在乳腺癌数据集上,该方法在生存预测和亚型分类任务中验证了集成多组学数据的正面效果。分析表明,基因、蛋白质和miRNA表达层对最终性能贡献最大。重复性实验显示,dropout可提升模型鲁棒性,但过度正则化会降低预测性能。可视化展示了特征空间的临床相关性。论文Pathway Activity Autoencoders多组学癌症推荐理由:这篇论文提出了一个能同时处理基因、蛋白质和miRNA数据的可解释深度学习框架,在乳腺癌生存预测上效果不错,适合关注多组学分析和可解释AI的读者。原文稍后读已读值得跟进有用关注 Pathway Activity Autoencoders