无监督单分子数据的自编码器和迁移学习分类
摘要：通过单分子实验获得的数据集常常反映出众多的分子行为。探索这样的数据集可能具有挑战性，特别是在对数据的了解有限且要避免关于预期数据特征的先验假设的情况下。确实，搜索预定义的信号特征有时有用，但也可能导致信息丢失和引入期望偏差。在这里，我们演示了如何使用转移学习增强的降维方法来以无监督的方式识别和量化单分子电荷传输数据中的隐藏特征。利用在数百万看似无关的图像数据上训练的开源神经网络，我们的结果还展示了深度学习方法如何可以轻松地应用，即使问题特定的“自有”数据量有限。
作者：Anton Vladyka and Tim Albrecht
论文ID：2004.01239
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2020-04-06