TabNet在miRNA疾病分类评测中未胜基线

研究团队在宫颈癌（58 个样本、714 个 miRNA）和阿尔茨海默病（70 个样本、503 个 miRNA）两个公开 miRNA 表达数据集上评测 TabNet 的分类与可解释性，结论是 TabNet 的准确率低于强正则化经典模型、可加性模型和先验拟合 transformer，未超越后四者共同达到的准确率上限。 评测按 MLSeq 框架预处理，覆盖 5%、10%、30% 三档特征子集，每种配置在 70%/30% 训练测试划分下重复 50 次，所有预处理、超参数选择和早停仅使用训练集内部验证子集。补充分析显示，自监督预训练在这样规模的队列上没有显著收益，特征排序方式（监督差异表达或非监督方差）不影响结论。 研究团队称，实例级注意力模式在不同划分间差异较大，因此这些注意力结果只能作示意，不能作为确证性证据。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。