.png){kind=icon}
返回
Small-Sample-Size Trait Imputation Using Deep-Learning Techniques
.png){kind=icon}
PRE
AI
DOI：10.1111/1749-4877.70038.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究中，我们介绍了Dual-Branch BioTraitNet，一种针对小样本生态学与生物学数据集性状插补而设计的深度学习模型。通过结合无监督和监督学习策略，该模型联合利用定量和定性性状信息。其双分支架构能够在数据稀疏条件下实现高效学习，并跨不同类群具有良好的泛化能力。在蜥蜴数据集上，该模型对于平均体长的R2值为0.862，对于平均体重的R2值为0.67；在鱼类数据集上，最大体长、最低产卵温度和卵直径的R2值分别为0.876、0.402和0.496。与易出现过拟合或欠拟合的传统方法（如K近邻算法（KNN）和遗传算法及其变体）不同，BioTraitNet表现出强大的预测稳定性和鲁棒性，这体现在其持续避免出现负R2值上。值得注意的是，即使在未纳入系统发育信息的情况下，它仍能保持高精度，使其特别适用于进化数据缺失或不确定的场景。所提出的框架为解决生态学与进化研究中缺失性状数据问题提供了灵活可靠的解决方案。相关的计算Python代码可从https://github.com/BB-yu/Dual-Branch-BioTraitNet获取。
Keyword:
biodiversity modeling
data imputation
deep learning
machine learning
phylogenetic information
期刊
IF:
3.7
论文数:
1.4K
被引数:
2.2K
机构
引用论文
Use and misuse of trait imputation in ecology: the problem of using out-of-context imputed values生态学中特质归因的使用和滥用: 使用上下文外归因值的问题.png)
ECOGRAPHY
OAAI
ECOGRAPHYIF4.7
OAAI分享收藏Assessing among-lineage variability in phylogenetic imputation of functional trait datasetsECOGRAPHYOAAI
ECOGRAPHYIF4.7
OAAI分享收藏
查看更多内容