Оптимізація зменшення розмірності медичних даних із застосуванням модифікованого автоенкодера

Abstract

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.

The article examines the optimization of the dimensionality reduction process for medical data samples using a modified autoencoder. The proposed approach involves preliminary data processing through the autoencoder to extract the most informative features. The resulting reduced representations are subsequently processed by an adaptive neuro-fuzzy method with a dynamic target vector amplification coefficient, which provides outputs for further analysis and classification. The paper presents the mathematical formulation of the algorithm and describes the modifications made to the autoencoder to improve data reconstruction accuracy and reduce information loss during dimensionality reduction. An experimental study conducted on medical datasets demonstrates the effectiveness of the proposed method.