<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Deep Learning on Xiang CHEN 陈向</title>
    <link>https://chenxofhit.xyz/tags/deep-learning/</link>
    <description>Recent content in Deep Learning on Xiang CHEN 陈向</description>
    <generator>Hugo</generator>
    <language>en-us</language>
    <copyright>Xiang CHEN</copyright>
    <lastBuildDate>Thu, 18 Nov 2021 21:14:07 +0800</lastBuildDate>
    <atom:link href="https://chenxofhit.xyz/tags/deep-learning/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>利用深度自动编码器对 miRNA–disease 进行关联预测</title>
      <link>https://chenxofhit.xyz/posts/aemda/</link>
      <pubDate>Thu, 18 Nov 2021 21:14:07 +0800</pubDate>
      <guid>https://chenxofhit.xyz/posts/aemda/</guid>
      <description>&lt;p&gt;文章标题：AEMDA: inferring miRNA–disease associations based on deep autoencoder&lt;/p&gt;&#xA;&lt;p&gt;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。&lt;/p&gt;&#xA;&lt;p&gt;&lt;img src=&#34;https://tva1.sinaimg.cn/large/008i3skNgy1gwjm5slkywj30ww0pkgp7.jpg&#34; alt=&#34;image-20211118211542991&#34;&gt;&lt;/p&gt;&#xA;&lt;p&gt;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。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
