Previsione multi-target semi-supervisionata per l'analisi dei dati di screening

Le prestazioni predittive dei metodi tradizionali supervisionati dipendono fortemente dalla quantità di dati etichettati. Tuttavia, ottenere le etichette è un processo impegnativo in molte attività nella vita reale, inclusi lo screening dei composti, le scoperte di biomarcatori, ecc. Solitamente è disponibile una scarsa quantità di dati etichettati per l'apprendimento del modello. Per questo motivo è stato sviluppato il concetto dell’apprendimento semi-supervisionato. I metodi semi-supervisionati utilizzano dati etichettati e non per migliorare le prestazioni dei metodi supervisionati.
È ancora più difficile ottenere dati etichettati per problemi di data mining con output strutturati, poiché ogni esempio necessita molteplici etichettature. La previsione multi-target (MTP) è una tipologia di problema di previsione dell'output strutturato in cui è necessario prevedere simultaneamente più variabili. Nonostante l'apparente necessità di metodi semi-supervisionati in grado di trattare con MTP, solo alcuni di questi metodi sono disponibili, ma anche questi sono difficili da applicare e il loro vantaggi rispetto ai metodi supervisionati per MTP non sono ancora del tutto chiari.
Il contributo presenta un algoritmo per l'apprendimento di modelli predittivi da una quantità limitata di dati etichettati che possono sfruttare quelli non etichettati disponibili in modo da ottenere modelli con prestazioni predittive migliori. Inoltre, mostrerò alcuni degli esperimenti di riferimento con cui valutare le performance predittive. L’intervento di concluderà con la dimostrazione a la discussione della loro applicazione per l’analisi dei high-content screening.