TabNet 用于宫颈癌与阿尔茨海默病 miRNA 表达分类的可解释性评测

TabNet 在宫颈癌与阿尔茨海默病两个 miRNA 表达数据集上的分类准确率低于强正则化经典模型、可加性模型与先验拟合 transformer，未超越后四者共同达到的准确率上限。研究使用宫颈癌队列（58 个样本、714 个 miRNA）和阿尔茨海默病队列（70 个样本、503 个 miRNA），按 MLSeq 框架做 DESeq 中位数比归一化、近零方差过滤、监督基因排序与 vst 变换，并评测 5%、10%、30% 三档特征子集。