典型文献
基于度量学习的无监督域适应方法及其在死亡风险预测上的应用
文献摘要：
近年来,深度学习模型已在医疗领域的预测任务上得到广泛应用,并取得了不错的效果.然而,深度学习模型常会面临带标签训练数据不足、整体数据分布偏移和类别之间数据分布偏移的问题,导致模型预测的准确度下降.为解决上述问题,提出一种基于域对抗和加性余弦间隔损失的无监督域适应方法(additive margin softmax based adversarial domain adaptation,AMS-ADA).首先,该方法使用带有注意力机制的双向长短程记忆网络来提取特征.其次,该方法引入了生成对抗网络的思想,以域对抗的形式减少了整体数据之间数据分布偏移.然后,该方法引入了度量学习的思想,以最大化角度空间内决策边界的方式进一步减少了类别之间的数据分布偏移.该方法能够提升域适应的效果与模型预测的准确度.在真实世界的医疗数据集上进行了重症监护病人死亡风险预测任务,实验结果表明:由于该方法相较于其他5种基线模型能够更好地解决数据分布偏移的问题,取得比其他基线模型更好的分类效果.
文献关键词：
无监督域适应;深度学习;死亡风险预测;域对抗网络;度量学习;注意力机制
中图分类号：
作者姓名：
蔡德润;李红燕
作者机构：
北京大学信息科学技术学院 北京 100871;机器感知与智能教育部重点实验室(北京大学)北京 100871
文献出处：
引用格式：
[1]蔡德润;李红燕-.基于度量学习的无监督域适应方法及其在死亡风险预测上的应用)[J].计算机研究与发展,2022(03):674-682
A类：
B类：
度量学习,无监督域适应,死亡风险预测,深度学习模型,医疗领域,上得,不错,会面,训练数据,数据分布,加性,余弦,additive,margin,softmax,adversarial,domain,adaptation,AMS,ADA,注意力机制,短程,记忆网络,提取特征,生成对抗网络,化角,度空间,决策边界,真实世界,医疗数据,重症监护,基线模型,分类效果,域对抗网络
AB值：
0.358212
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
