Оптимізація зменшення розмірності медичних даних із застосуванням модифікованого автоенкодера
DOI:
https://doi.org/10.30837/bi.2025.2(103).03Ключові слова:
МОДИФІКОВАНИЙ АВТОЕНКОДЕР, ЗМЕНШЕННЯ РОЗМІРНОСТІ, NEURAL NETWORK, МЕДИЧНІ ДАНІ, MACHINE LEARNINGАнотація
У статті розглядається оптимізація процесу зменшення розмірності вибірок медичних даних із застосуванням модифікованого автоенкодера. Запропонований підхід передбачає попередню обробку даних через автоенкодер для виділення найбільш інформативних ознак. Отримані скорочені представлення надалі обробляються адаптивним нейро-фаззі методом із динамічним коефіцієнтом підсилення цільових векторів, що забезпечує результати для подальшого аналізу та класифікації.
У роботі наведено математичне формулювання алгоритму, описано модифікації автоенкодера, спрямовані на підвищення точності відновлення даних та зменшення інформаційних втрат під час редукції розмірності. Проведено експериментальне дослідження на медичних наборах даних, що демонструє ефективність запропонованого методу
Посилання
Wolski, M., & Gomolińska, A. (2020). Data meaning and knowledge discovery: Semantical aspects of information systems. International Journal of Approximate Reasoning, 119, 40–57. https://doi.org/10.1016/j.ijar.2020.01.002.
Ayesha, S., Hanif, M. K., & Talib, R. (2020, July). Overview and comparative study of dimensionality reduction techniques for high dimensional data. Information Fusion, 59, 44–58. https://doi.org/10.1016/j.inffus.2020.01.005.
Turchenko, V., Chalmers, E., & Luczak, A. (2019). A DEEP CONVOLUTIONAL AUTO-ENCODER WITH POOLING – UNPOOLING LAYERS IN CAFFE. International Journal of Computing, 18(1), 8-31. https://doi.org/10.47839/ijc.18.1.1270.
Miroshnychenko N., Perova I., Grebennik I., Chyhryn D Dimensionaity reduction methods for large datasets. / The 13th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, 4-6 September, 2025, Gliwice, Poland .
Miroschnichenko, N.S., Perova, I.H., Datsok, O.M. Semi-supervised learning information system for analyzing high-dimensional data samples / N.S. Miroschnichenko, I.H. Perova, O.M. Datsok // Visnyk of the National University "Lviv Polytechnic" Information Systems and Networks. – 2024. Issue 16. – pp. 133-144, https://doi.org/10.23939/sisn2024.16.133 (in Ukrainian).
Sayed-Mouchaweh, M. (2020). Artificial Intelligence Techniques for a Scalable Energy Transition: Advanced Methods, Digital Technologies, Decision Support Tools, and Applications. Springer Nature.
Miroshnychenko N. Analysis of methods for managing high-dimensional medical data with limited patient samples / Conference proceedings "Intelligent systems of decision-making and problems of computational intelligence (ISDMCI2024)", June 20-23, 2024. P. 29-31.
Miroshnychenko N. Investigating the Management of Datasets Featuring Elevated Dimensionality and a Restricted Patient Sample. ISDMCI 2024, Vol. 1, pp. 349–370. https://doi.org/10.1007/978-3-031-70959-3_18.
Yuguero, O., Hodkinson, A., Panagioti, M., Pifarre, J., & Peters, D. (2023). The public health problem of burnout in health professionals. Frontiers Media SA.
Kinman, G. (2025). Maslach burnout inventory. PubMed, 74(9), 630–631. https://doi.org/10.1093/occmed/kqae116.
Spiwok, V., & Kříž, P. (2020, June 30). Time-Lagged t-Distributed Stochastic Neighbor Embedding (t-SNE) of Molecular Simulation Trajectories. Frontiers in Molecular Biosciences, 7. https://doi.org/10.3389/fmolb.2020.00132.
Penzenyk, A. (2024). Автоматизоване виявлення та попередження перенавчання в нейронних мережах. COMPUTER-INTEGRATED TECHNOLOGIES EDUCATION SCIENCE PRODUCTION, 54, 36–42. https://doi.org/10.36910/6775-2524-0560-2024-54-04.
