Компьютерные науки > Машинное обучение [представлено 9 октября 2026 года] Название: " Тензорный источник мультимодальных данных для прогнозирования уровней риска раковых заболеваний в контексте PDF HTML (экспериментальный) резюме: диагноз и лечение Cancer все больше полагаются на многомерные диагностические технологии, которые генерируют высокоразмерные наборы данных. Хотя эти наборы данных богаты патологической информацией, они создают значительные трудности в толковании, сокращении масштабов и клиническом применении. Обычное машинное обучение часто не позволяет извлечь значимые элементы из интермодального обмена, что ограничивает прогнозируемую точность в стратификации риска для пациента. Для устранения этих ограничений в настоящем документе предлагается неконтролируемая система машинного обучения, которая сочетает экстракцию свойств, разложение напоров и кластеризацию для улучшения прогнозирования риска раковых заболеваний. В рамках этой системы используется дюймовое разложение для образования разнородных геномных и клинических данных, что позволяет извлекать латентные биологически значимые элементы, которые превосходят наборы характеристик одного вида транспорта. Изучаются стратегии извлечения множества элементов, и соответствующие элементы впоследствии группируются с использованием целого ряда алгоритмов кластеризации. Затем для определения наиболее эффективных конфигураций используются сравнительные оценки, основанные на внутренних и внешних показателях. Эта…
На основе тензора сужение мультимодальных данных для прогнозирования уровней риска рака
arXiv: 2610.13221v1 Annuales Type: кросс-бюллетень: Раковая диагностика и лечение все больше полагаются на мультимодальные диагностические технологии, которые генерируют высокомерные наборы данных. Хотя эти наборы данных богаты патологической информацией, они создают значительные трудности в толковании, сокращении масштабов и клиническом применении. Обычное машинное обучение часто не позволяет извлечь значимые элементы из интермодального обмена, что ограничивает прогнозируемую точность в стратификации риска для пациента. Для устранения этих ограничений в настоящем документе предлагается неконтролируемая система машинного обучения, которая сочетает экстракцию свойств, разложение напоров и кластеризацию для улучшения прогнозирования риска раковых заболеваний. В рамках этой системы используется дюймовое разложение для образования разнородных геномных и клинических данных, что позволяет извлекать латентные биологически значимые элементы, которые превосходят наборы характеристик одного вида транспорта. Изучаются стратегии извлечения множества элементов, и в результате этого возникают следующие особенности: