返回
Estimating sparse regression models in multi-task learning and transfer learning through adaptive penalisation
DOI:10.1093/bioinformatics/btaf406.png)
摘要
En 中文
方法 这里,我们提出了一种简单的两阶段程序,用于共享相关的高维预测或分类问题之间的信息。在两个阶段中,我们分别对每个问题执行稀疏回归。虽然第一阶段是在没有先验信息的情况下进行的,但我们将第一阶段的系数作为第二阶段的先验信息。具体而言,我们设计了特征特定和符号特定的自适应权重,以共享不同问题之间的特征选择、效应方向和效应大小。结果 所提出的方法适用于多任务学习以及迁移学习。它提供了稀疏模型(即每个问题具有少量非零系数的模型),这些模型易于解释。通过模拟和应用,我们表明,与现有方法相比,它倾向于选择更少的特征,同时实现相似的预测性能。可用性与实现 该方法的实现可在R包sparselink中获取(https://github.com/rauschenberger/sparselink, https://cran.r-project.org/package=sparselink)。
Keyword:
REGULARIZATION
期刊
IF:
5.4
论文数:
1.3K
被引数:
17.9W
机构
引用论文
Predicting drug-free remission in rheumatoid arthritis: A prospective interventional cohort study预测类风湿关节炎的无药物缓解: 一项前瞻性干预队列研究
Characterization of the enhancer and promoter landscape of inflammatory bowel disease from human colon biopsies来自人类结肠活检的炎症性肠病的增强子和启动子景观的表征
NATURE COMMUNICATIONS
IF15.7
A scaling normalization method for differential expression analysis of RNA-seq dataRna-seq数据差异表达分析的尺度归一化方法
GENOME BIOLOGY
IF9.4
Transcriptional profiles of JIA patient blood with subsequent poor response to methotrexate
Rheumatology
IF0

