深残余支载体机器,用于疾病预测的应用
Xinjia Yang1, Pinchao Meng1, Zhixia Jiang1
1School of Mathematics and Statistics, Changchun University of Science and Technology, Changchun, 130022, China.
Computers in biology and medicine
|July 15, 2025
概括
本研究介绍了深残余支持矢量机 (DSRSVM),这是一个集成的深度学习和支持矢量机 (SVM) 模型. 在医疗数据分析方面,DSRSVM实现了协同性能改进.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 支持向量机 (SVM) 对高维非线性数据有效.
- 现有的深度学习和SVM框架通常会单独使用这些方法.
- 需要协同整合才能超越个人力量的结合.
研究的目的:
- 提出一个端到端的学习模型,深式残余支持矢量机器 (DSRSVM).
- 通过深度集成深度神经网络和SVM来实现协同效应.
- 通过梯度下降优化实现端到端学习.
主要方法:
- DSRSVM模型采用了两阶段的学习过程:深度残余网络米式预训练和SVM微调.
- 深度残留网络捕获数据特征在预培训期间的相似性和差异.
- 一个SVM嵌入在网络中,其损失用于端到端培训.
主要成果:
- 该DSRSVM培训算法证明了趋同.
- 对医疗数据集的验证显示出更高的预测准确性,回忆力和F1分数.
- 性能超过了传统的端到端协作深度学习和SVM框架.
结论:
- DSRSVM 模型实现了协同效应的改进,提高了预测性能.
- 这种综合方法证明了机器学习应用中的"协同创造更大的结果".
- 对于复杂的数据分析任务,DSRSVM提供了更有效的解决方案.
