{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,3,8]]，“日期时间”：“2024-03-08T16:06:12Z”，“时间戳”：1709913972380}，“参考计数”：45，“发布者”：“威利”，“问题”：“6”，“许可证”：[{“开始”：{-“日期部分00:00:00Z“，”时间戳“：1647216000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“http://\/onlinelibrary.wiley.com/termsAndConditions#vor”}]，“出资人”：[{“DOI”：“10.13039\/1000000052”，“名称”：“NIH局长办公室”，“DOI-asserted-by”：“publisher”，“award”：[“DP5OD019820”]}]，”content-domain“：{”domain“域“：[”onlinelibrary.wiley.com“]，”crossmark-restriction“：true}，”short-container-title“交叉标记限制”：[“统计分析”]，“published-print”：{“日期部分”：[2022,12]]}，“摘要”：“摘要<\/jats:title>在协变量数量远远超过观测值数量的2010维高维数据集中，最流行的预测方法做出了强有力的建模假设。不幸的是，随着观测数量的增加，这些方法在模型复杂度上难以扩大。为此，我们考虑使用神经网络，因为它们跨越了从稀疏线性模型到深层神经网络的广泛模型容量。由于神经网络的调优和训练非常繁琐，我们的目标是开发一种使用最少超参数的方便程序。我们的方法，通过平均稀疏集\u2010Input高层次网络（EASIER\u2010net）进行集成，只使用了两个L<\/jats:italic>1<\/jats:sub>\u2010惩罚参数，一个控制输入稀疏性，另一个控制隐藏层和节点的数量。EASIER\u2010net在有足够证据的情况下，以较高的概率选择真正的支持；否则，它使用不确定性量化进行变量选择，其中以相似的速率选择强相关的协变量。在大量基因表达数据集上，与现有方法相比，EASIER\u2010net实现了更高的分类精度，选择的基因更少。我们发现，EASIER\u2010net自适应地选择了模型复杂性：当有足够的信息来学习非线性和交互时，它适合于深层网络，并且适合于信息较少的较小数据集的稀疏逻辑模型<\/jats:p>“，”DOI“：”10.1002\/sam.11579“，”type“：”journal-article“，”created“：{”date-parts“：[2022,3,14]]，”date-time“：”2022-03-14T09:27:56Z“，”timestamp“：1647250076000}，”page“：“标题”：[“为高维数据集集成稀疏\u2010输入层次网络“]，”前缀“：”10.1002“，”卷“：”15“，”作者“：[{”ORCID“：”http://\/ORCID.org\/00000-0003-2041-3104“，”authenticated-ORCID“：false，”给定“：”Jean“，”family“：”Feng“，”sequence“：”first“，”affiliation“：[}”name“：”美国加州大学旧金山分校流行病学和生物统计学系，{“给定”：“诺亚”，“家庭”：“西蒙”，“序列”：“附加”，“隶属关系”：[{“名称”：“华盛顿大学西雅图-华盛顿分校生物统计学系”}]，“成员”：“311”，“在线发布”：{“日期部分”：[[2022,3,14]}，“参考文献”：[{key“：”e_1_2_7_2_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1137\/140964023”}，{“key”：“e_1_i_7_3_1”，“unstructured”：“A.R.BarronandJ.M.Klusowski Complexity statistical risk and metric熵of deep nets using total path variation arXiv（2019）。”}、{“密钥”：“e_1_2_7_4_1”、“doi-assert-by”：“publisher”，”doi“：”10.1007\/978-3642-35289-8_26“}，{“键”：“e_1_2_7_5_1“，“首页”：“281”，“文章标题”：“超\u2010参数优化的随机搜索”，“卷”：“13”，“作者”：“Bergstra J.”，“年份”：“2012”，“期刊标题”：”J.Mach。学习。研究“}，{“key”：“e_1_2_7_6_1”，“unstructured”：“D.Blalock J.J.G.Ortiz J.Frankle和J.Guttag神经网络修剪的状态是什么？（2020年）。”}，}，“key“：”e_1_i_7_7_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1023\/A:1018054314350”}978-3-642-20192-9“}，{”键“：”e_1_2_7_9_1“，”doi由“：”publisher断言，“doi”：“10.1089\/cmb.2018.0238”}，｛“key”：“e_1_2_7_10_1”，“doi由”：“publisher”断言，“doi”：“10.1080\/10618600.2017.1390470”}，｛“key”：“e_1_2_7_11_1”，“非结构化”：“J.Feng Sparse\u2010高维非参数回归和分类arXiv（2019）的输入神经网络。”}，｛“key”：“e_1_2_7_12_1”，“非结构化“：”T.Gale E.Elsen和S。胡克深度神经网络的稀疏状态（2019）。“}，{”key“：”e_1_2_7_13_1“，”first page“：“545”，”volume-title“：”advancess in neural information processing systems 17“，”author“：”Guyon I.“，“year”：“2005”}，“key”：“e_1_I_7_14_1”，“first pages”：“1135”，“volume-tite”：“advancessing in neurals information systems 28”，“author”：“Han S.”，”“year“：”2015“}”，{“，”volume-title“：“神经信息处理系统的进展1”，“author”：“Hanson S.J.”，“year”：“1989”}，{“key”：“e_1_2_7_16_1”，”doi-asserted-by“：”crossref“，”unstructured“：”K.He X.Zhang S.Ren and J.Sun Deep residual learning for image recognition 2016 IEEE Conference on Computer Vision and Pattern recognition（CVPR）（2016）770\u2013778.“，”doi“10.1109\/CVPR.2016.90“}，{“key”：“e_1_2_7_17_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1214\/ss\/1009212519“}”，{”key“：”e_1_i_7_18_1“，”doi-assert-by“：”crossref“，“unstructured”：“G.Huang Z.Liu L.V.D.Maaten and K.Q.Weinberger Densely-connected卷积网络2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）（2017）2261\u20132269.“，“DOI”：“10.1109\/CVPR.2017.243”}，{“key”：“e_1_2_7_19_1”，“unstructured”：“D.P.Kingmand J.Ba Adam:A method for random optimization International Conference for Learning Representations（2015）。”}、{“密钥”：“e_1_2_7_20_1”、“首页”：“6402”、“volume-title”：“Advances in neural information processing systems 30”，“author”：“Lakshminarayanan B.“，”年份“：“2017”}，{“key”：“e_1_2_7_21_1”，“首页”：“598”，“卷时间”：“神经信息处理系统2的进展”，“作者”：“LeCun Y.”，“年份”：“1990”}“：”C.Louizos M.Welling和D。P.Kingma通过l_0正则化学习稀疏神经网络国际学习代表大会（2018年）。“}，{”key“：”e_1_2_7_24_1“，”unstructured“：”X.LuandB.Van Roy Ensemble sampling.Advances in Neural Information Processing Systems（2017）3258\u20133266.“}”，{“key”：“e_1_i_7_25_1”，“doi-serted-by”：“publisher”，”doi“：”10.1007\/978-94-015-8729-7_18“}1017“}，{”键“：”e_1_2_7_27_1“，”第一页“：”1“，”文章标题“：”随机梯度下降近似贝叶斯推断“，”卷“：”18“，”作者“：”Mandt S.“，”年份“：”2017“，”期刊标题“：“J.Mach。学习。研究“}，{”key“：”e_1_2_7_28_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/9781-4612-0745-0”}，“key”：“e_1_i_7_29_1”，“doi-assert-by”：“publisher”，”doi“：”10.1007\/978-3-540-35488-8_11“}”，{，“author”：“Olson M.”，“year”：“2018”}，{“key”：“e_1_2_7_31_1“，“doi-asserted-by”：“publisher”，“doi”：“10.1561\/240000003”}，{“key”：“e_1_i_7_32_1”，“unstructured”：“T.Pearce F.Leibfried A.Brintrup M.Zaki和A.Neely Neely不确定性：近似贝叶斯集合国际人工智能与统计会议（2020）”}publisher“，”DOI“：”10.1080\/01621459.1997.10473615“}，{“key”：“e_1_2_7_34_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1111\/j.1467\u20109868.2009.00718.x”}，“key“：”e_1_i_7_35_1“，“，”DOI-asserted-by“：”publisher“，”DOI“：”10.1016\/j.neucom.2017.029“}，{”key“：”e_1_2_7_37_1“，“首页”：“2951”，“卷时间”：“神经信息处理系统的进展25”，“作者”：“Snoek J.”，“年份”：“2012”}，{“密钥”：“e_1_i_7_38_1”，”doi-asserted-by“：”publisher“，”doi“：”10.1111\/J.2517-61.1996.tb02080.x“}，”{“key”：“e_1_2_7_39_1”.976“}，{“键”：“e_1_2_7_40_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1017\/9781108627771“}，{“key”：“e_1_2_7_41_1”，“doi-assert-by”：“publisher”、“doi”：“10.1214\/08\u2010aos646”}、{“key”：”e_1_i_7_42_1“，“首页”：“2074”、“卷标”：“神经信息处理系统的进展29”，“作者”：“Wen W.”，“年份”：“2016”}，“e_1_2_7_43_1”，“非结构化”：“A。G.威尔逊和P。伊兹迈洛夫·贝叶斯深度学习和概率推广观点。arXiv（2020）。“}，{”key“：”e_1_2_7_44_1“，”unstructured“：”J.YoonandS.J.Hwang 2017.深度神经网络的组合群和排他性稀疏性。第34届机器学习国际会议论文集D.PrecupandY.W.Teh PMLR澳大利亚悉尼国际会议中心第70卷机器学习研究论文集第3958\u20133966页。“}、{”key“：”e_1_2_7_45_1“，”doi-asserted-by“：”crossref“，“unstructured”：“D.Yu F.Seide G.Li and L。邓。利用深度神经网络的稀疏性进行大词汇量语音识别。2012 IEEE声学语音和信号处理国际会议（ICASSP）2012.4409\u20134412.“，”DOI“：”10.1109\/ICASSP.2012.6288897“}，{“key”：“e_1_2_7_46_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1111\/j.1467-9868.2005003.x”}]，“container-title”：[“统计分析和数据挖掘：ASA数据科学期刊”]，“original-title“：[]，“语言”：“en”，“链接”：[｛“URL”：“https:\/\/onlinelibrary.wiley.com\/doi\/pdf\/10.1002\/sam.11579”，“内容类型”：“应用程序\/pdf”，“内容版本”：“vor”，“预期应用程序”：“文本挖掘”｝，｛“URL”：“https:\/\/onlinelibrary.wiley.com\/doi\/full-xml\/10.1002\/sam.11579”，“内容类型”：“应用程序\/xml”，“内容版本”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\/\/onlinelibrary.wiley.com/doi\/pdf\/101002\/sam.11579”，“content-type”：“unspecified”，“内容-版本”：“vor”，“intented-applicance”：“相似性检查”}]，“存放”：{“日期-部件”：[2023,8,21]]，“日期-时间”：“2023-08-21T16:11:41Z”，“时间戳”：1692634301000}，“分数”：1，“资源”：{“主”：{“URL”：“https:\/\/onlinelibrary.wiley.com/doi\/10.1002\/sam.11579”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{日期部分：[2022,3,14]]}，”引用计数“：45，”日记发行“：{”发行“：“6”，“published-print”：{“date-parts”：[2022,12]}}、“alternative-id”：[“10.1002\/sam.11579”]，“URL”：“http://\/dx.doi.org\/10.1002\/sam.11579”，“存档”：[“Portico”]，“relation”：{}，“ISSN”：[“1932-1864”，“1932-1872”]，“ISSN-type”：[{“value”：“1932-186”，“type”:“print”}，{“value”：“932-1872“，”type“：”electronic“}]，“subject”：【】，“published”：{“date-parts”：【2022，3，14】}，”assertion“：【{”value“：“2020-12-29”，“order”：0，“name”：“received”，“label”：“received”，“group”：{“name”：“publication_history”，“label”：“publication history”}}，{“value”：“2022-02-14”，“order”：1，“name”：“accepted”，”label“：“accepted（接受）”，”group“：{”name“：“publication_history”，“label”：“publication history”}}，{”value“：”2022-03-14“，”order“：2，”name“:”published“，”label:“published”，“group”：