使用残差自编码器提高乙酰胞苷数据集的识别性能

N4-乙酰半胱氨酸（AC4C）RNA是一个具有挑战性的数据集，因为它很难观察AC4C的过程，并且其类别极不平衡。而且高度封装的集成模型可能无法很好地用于该数据集。AC4C现有的最佳模型可能无法实现研究中更精确的预测，并且模型的大小使应用受到在线服务器形式的限制。为了解决这个问题，我们提出了ResVariant结构，并使用带这该结构的自编码器（AE）进行训练和应用，我们称这个模型为AEResVar。本文提出的AEResVar模型由编码器和解码器组成。该模型的特殊性在于解码器中的ResVarant层，它通过添加完全连接的隧道来增强解码能力。另一个特殊点是解码器使用编码器Dense输出作为输入，由于对解码器中激活函数的反向分析，这使得其包含更多的边缘信息。 我独自完成了该项目周期在三周左右。项目链接见：https://www.kaggle.com/code/spike8086/improving-representational-ability-in-ac4c