利用深度自动编码器对 miRNA–disease 进行关联预测

,

文章标题：AEMDA: inferring miRNA–disease associations based on deep autoencoder

今天组会研究生讲到了这篇文章，针对疾病和 miRNA 分别构造了一个相似性的向量，然后把任何这两个向量也就是 $d_i$ 和 $m_j$ 拼接起来，用一个自动编码器进行恢复，很有意思的是他们是利用编码器的 reconstruction error 来衡量 $d_i$ 和 $m_j$ 的相关性，而且可以看出这个方法不需要负样本，而且整个网络属于无监督学习，居然能取得很好的实验结果并最终发表在 Briefings in Bioinformatics 上了。

image-20211118211542991

这个方法可以改进的地方在于：(a) 和 (b) 的步骤仍然不需要改变，(c) 无监督改成有监督。这篇文章中说到的无负样本其实可以构造负样本而且也不难构造。另外(a) 和 (b) 的处理也值得学习和借鉴，整个处理有点对比学习的意味在里面。

CC BY-NC-SA 4.0 by Xiang CHEN 陈向
版权声明

本文由 Xiang CHEN 陈向 创作，采用 CC BY-NC-SA 4.0 协议，首发于 https://chenxofhit.xyz 个人网站。

您可以自由地：

  • 分享 — 在任何媒介以任何形式复制、发行本作品
  • 演绎 — 修改、转换或以本作品为基础进行创作

惟须遵守下列条件：

  • 署名 — 您必须给出适当的署名，提供指向本许可协议的链接，同时标明是否（对原始作品）作了修改。您可以用任何合理的方式来署名，但是不得以任何方式暗示许可人为您或您的使用背书。
  • 非商业性使用 — 您不得将本作品用于商业目的。
  • 相同方式共享 — 如果您再混合、转换或者基于本作品进行创作，您必须基于与原先许可协议相同的许可协议分发您贡献的作品。

商业使用请联系：[email protected]