得益于深度學(xué)習(xí)強(qiáng)大的特征學(xué)習(xí)能力,深度學(xué)習(xí)在近年來獲得了廣泛的研究與應(yīng)用。相對于傳統(tǒng)機(jī)器學(xué)習(xí)方法,深度學(xué)習(xí)能夠自動學(xué)習(xí)數(shù)據(jù)的高階特征,節(jié)省了手工設(shè)計特征的工作。但是,當(dāng)訓(xùn)練樣本較少時,深度學(xué)習(xí)方法的過擬合問題嚴(yán)重,導(dǎo)致深度學(xué)習(xí)難以取得滿意的效果。例如,在基因表達(dá)譜癌癥分類任務(wù)上,由于基因表達(dá)譜數(shù)據(jù)的獲取成本很高,使得可用的訓(xùn)練樣本十分有限,導(dǎo)致直接在少樣本的基因表達(dá)譜數(shù)據(jù)上使用深度學(xué)習(xí)進(jìn)行癌癥分類效果不佳。因此,本文以多個相關(guān)的基因表達(dá)譜數(shù)據(jù)集為研究對象,利用遷移學(xué)習(xí)挖掘多個基因表達(dá)譜數(shù)據(jù)的知識,有效提升了少樣本基因表達(dá)譜癌癥分類的效果。本文主要完成了以下兩個工作:（1）大部分癌癥基因表達(dá)譜數(shù)據(jù)集之間存在天然的聯(lián)系,如急性白血病和慢性白血病,因此為了挖掘癌癥基因表達(dá)譜數(shù)據(jù)集的知識來幫助另一個癌癥基因表達(dá)譜進(jìn)行分類,本文針對基因表達(dá)譜癌癥分類任務(wù),提出了一種新型的基于生成對抗網(wǎng)絡(luò)的遷移學(xué)習(xí)模型（Adversarial Transfer Learning for Gene Expression Profile,ATL-GEP）。通過引入生成對抗網(wǎng)絡(luò),ATL-GEP模型能夠自動地去除源領(lǐng)域表... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

結(jié)構(gòu)化數(shù)據(jù)：人臉類任務(wù)設(shè)計而成

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文圖1-1結(jié)構(gòu)化數(shù)據(jù)：人臉圖1-2非結(jié)構(gòu)化數(shù)據(jù)：基因表達(dá)譜類任務(wù)設(shè)計而成。該模型通過對抗學(xué)習(xí)的方式將從源領(lǐng)域數(shù)據(jù)集學(xué)到的知識遷移到目標(biāo)領(lǐng)域的分類模塊中。該方法分兩階段，第一階段是源領(lǐng)域分類模塊學(xué)習(xí)階段，從能夠通過源領(lǐng)域分類模塊獲取源領(lǐng)域的知識或者表征；第二階段固定源領(lǐng)域分類模塊的參數(shù)，通過生成對抗網(wǎng)絡(luò)的對抗學(xué)習(xí)方式將獲取到的源領(lǐng)域表征結(jié)融合到由目標(biāo)領(lǐng)域分類任務(wù)學(xué)到的本地表征中，同時目標(biāo)領(lǐng)域分類任務(wù)學(xué)出本地和共享表征的權(quán)重，讓目標(biāo)領(lǐng)域分類任務(wù)自行學(xué)習(xí)出共享表征的權(quán)重參數(shù)以決定表征遷移的程度,豐富目標(biāo)領(lǐng)域的表征以提升目標(biāo)領(lǐng)域分類模塊的學(xué)習(xí)能力。（2）為了利用多個相關(guān)基因表達(dá)譜領(lǐng)域的知識，本文在ATL-GEP的基礎(chǔ)上，提出了一個新的對抗多任務(wù)學(xué)習(xí)模型（AdversarialMulti-taskLearningforGeneEx-pressionProfile,AMTL-GEP），該模型同樣基于生成對抗網(wǎng)絡(luò)并能夠結(jié)合多份領(lǐng)域的數(shù)據(jù)互相遷移并共同提升學(xué)習(xí)能力。AMTL-GEP模型對領(lǐng)域判別器做出改進(jìn)，使得領(lǐng)域判別器能夠判別處理多個領(lǐng)域的表征。共享表征也與本地表征加權(quán)融合，各個領(lǐng)域的分類任務(wù)各自學(xué)出權(quán)重參數(shù)以決定遷移的程度，并將遷移學(xué)習(xí)的兩階段學(xué)習(xí)合并成一階段學(xué)習(xí)，使得所有領(lǐng)域的分類模塊能夠?qū)W到其他領(lǐng)域的知識共同提升學(xué)習(xí)能力。1.4本文的結(jié)構(gòu)安排本文主要研究如何利用遷移學(xué)習(xí)提升少樣本學(xué)習(xí)能力的問題，共包含4個章節(jié)，本篇論文組織結(jié)構(gòu)如下：第一章為緒論，首先介紹遷移學(xué)習(xí)和生成對抗網(wǎng)絡(luò)的研究背景，遷移學(xué)習(xí)解決少樣本問題的研究意義。然后對遷移學(xué)習(xí)、生成對抗網(wǎng)絡(luò)和少樣本領(lǐng)域的的國內(nèi)外研究現(xiàn)狀進(jìn)行了總結(jié)，接著概述本文針對少樣本領(lǐng)域中的基因表達(dá)譜癌癥分類問題進(jìn)行的主要研究工作，最后給出本論文的組織

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文第2章基因表達(dá)譜及對抗遷移學(xué)習(xí)相關(guān)技術(shù)介紹本章首先介紹基因表達(dá)譜數(shù)據(jù)的相關(guān)背景，之后介紹遷移學(xué)習(xí)和生成對抗網(wǎng)絡(luò)的背景、定義和使用場景，最后介紹本文中使用到的技術(shù)。2.1基因表達(dá)譜基因表達(dá)譜是一種在分子生物學(xué)領(lǐng)域，借助cDNA、表達(dá)序列標(biāo)簽或寡核苷酸芯片來測定細(xì)胞或組織的基因表達(dá)情況的生物數(shù)據(jù)，其中基因表達(dá)情況包括特定基因是否表達(dá)、表達(dá)豐度、不同組織、不同發(fā)育階段以及不同生理狀態(tài)下的表達(dá)差異�；虮磉_(dá)譜的數(shù)據(jù)挖掘，對于癌癥的治療與診斷、病理分析與研究具有重要意義。其中基因表達(dá)譜數(shù)據(jù)通過DNA微陣列實驗來獲齲DNA微陣列由一個個已知序列的基因探針排列而成，將其和將樣本的核苷酸序列進(jìn)行雜交，通過紅綠熒光標(biāo)記可以得到實驗樣本的基因表達(dá)水平。圖2-1基因表達(dá)譜數(shù)據(jù)展示2.1.1基因表達(dá)譜數(shù)據(jù)獲取一次DNA微陣列實驗的最主要目的是獲取實驗樣本的基因表達(dá)水平信息。DNA微陣列實驗將實驗樣本用紅色熒光標(biāo)記，之后將對照樣本用綠色熒光標(biāo)記，兩者標(biāo)記完成后將其混合，之后將混合的樣本和DNA微陣列的探針序列進(jìn)行雜交并洗脫，最后使用專業(yè)儀器可以檢測到不同種類的熒光強(qiáng)度。基因的表達(dá)水平用紅、綠熒光強(qiáng)度的比值來表示�；虮磉_(dá)譜數(shù)據(jù)的可視化如圖2-1所示，其中紅色代表該基因點實驗樣本表達(dá)水平較高，綠色代表對照樣本基因表達(dá)水平較低，黃色表示兩者表達(dá)水平相當(dāng)，黑色表示兩者均不表達(dá)。實驗流程如圖2-2所示。-7-

【參考文獻(xiàn)】：
期刊論文
[1]前列腺增生經(jīng)尿道電切術(shù)近期出血的原因和處理[J]. 葛校軍,周偉民,宗益平,吳盤芳.  現(xiàn)代泌尿外科雜志. 2010(05)
[2]基因表達(dá)譜芯片雜交影響因素的初步研究[J]. 祝驥,馬文麗,李凌,毛向明,鄭文嶺.  生命科學(xué)研究. 2004(02)



本文編號：3270774