Fuzzy Convolution Neural Networks for Tabular Data Classification

最近，由于卷积神经网络（CNN）在各个领域的卓越表现，特别是在图像和文本分类任务中，因此受到了广泛的关注。然而，它们在表格数据分类方面的应用仍未得到充分的探索。在许多领域，如生物信息学、金融和医学中，非图像数据很普遍。将CNN调整为分类非图像数据仍然具有极高的挑战性。本文研究了CNN在表格数据分类中的有效性，旨在弥合传统机器学习方法和深度学习技术之间的差距。我们提出了一种新颖的模糊卷积神经网络（FCNN）框架，专门为表格数据定制，以捕获特征向量中的局部模式。在我们的方法中，我们将特征值映射到模糊成员资格。将模糊成员资格向量转换为图像，用于训练CNN模型。训练好的CNN模型用于分类未知的特征向量。为了验证我们的方法，我们生成了六个复杂的噪声数据集。我们从每个数据集中随机选择70％的样本进行训练，30％进行测试。还使用了最先进的机器学习算法，如决策树（DT）、支持向量机（SVM）、模糊神经网络（FNN）、贝叶斯分类器和随机森林（RF）对数据集进行分类。实验结果表明，我们提出的模型可以有效地从表格数据中学习有意义的表示，与现有方法相比，实现了具有竞争力或更优的性能。总体而言，我们的研究结果表明，所提出的FCNN模型具有潜在的可行性，是表格数据分类任务的一种新选择，为利用深度学习进行结构化数据分析开辟了新的机遇。

探索卷积神经网络在表格数据分类中的应用，以填补传统机器学习方法和深度学习技术之间的差距。

提出一种针对表格数据的模糊卷积神经网络（FCNN）框架，将特征值映射到模糊隶属度向量，并将其转换为图像进行训练，从而有效地学习表格数据的有意义表示。

实验结果表明，FCNN模型在表格数据分类任务中表现出竞争力或优于现有方法的性能。研究者提出的FCNN模型为结构化数据分析提供了新的可能性和机会。

近期的相关研究包括：\n1. 'Deep learning for tabular data using PyTorch: A review'\n2. 'TabNet: Attentive Interpretable Tabular Learning'\n3. 'Convolutional Neural Networks for Tabular Data: A Survey'