.png){kind=icon}
返回
SeqFReD: A reinforcement-learning framework for sequence feature representation and dimension reduction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114690.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，特征表示和降维领域的最新进展突显了它们在提升跨领域预测建模性能中的关键作用。本研究提出SeqFReD，一种新颖的端到端深度学习框架，将特征提取与特征降维统一于单一、可适应的架构中。SeqFReD结合强化学习（RL）与神经网络，采用包含三个协同模块的Actor–Critic（AC）范式：策略模块（执行者）用于RL驱动的降维，表示模块用于特征提取，分类模块（评论者）用于下游预测和策略反馈。值得注意的是，SeqFReD的灵活设计允许其模块内选择合适的神经网络架构——如LSTM、Transformer或多层感知机——以最佳适配结构化或序列数据集的特性。我们在29个基准UCI数据集上全面评估了SeqFReD，采用10折交叉验证和10次独立运行，以证明其在结构化数据上的鲁棒性和有效性。此外，我们将SeqFReD应用于真实世界的DNA序列分类任务，包括增强子类别和增强子强度预测，突显其对时序数据的适用性。实验结果表明，SeqFReD在特征表示和降维方面均持续达到最先进性能，同时具备广泛的应用性和跨不同数据模态的适应性。SeqFReD的源代码作为补充材料提供，并可从http://www.healthinformaticslab.org/supp/获取。
