Domain adaptation in small-scale and heterogeneous biological datasets

机器学习技术在现代生物学中越来越重要，被用于构建预测模型、发现模式和探究生物问题。然而，针对一个数据集训练的模型通常不能推广到来自不同队列或实验室的其他数据集，这是由于这些数据集的统计特性存在差异。这些差异可能源于技术上的差异，如所使用的测量技术，或者是所研究人群之间的生物差异。域适应是一种迁移学习类型，可以通过对不同数据集之间的特征和样本的统计分布进行对齐，从而可以在它们之间应用类似的模型，以缓解这个问题。然而，大多数最先进的域适应方法都是针对大规模数据，主要是文本和图像，而生物数据集通常存在样本量小、特征空间异质性等复杂性。本综述旨在讨论小规模和高度异质性生物数据背景下的域适应方法。我们描述了域适应在生物研究中的益处和挑战，并通过代表性的关键方法论批判性地讨论了一些其目标、优点和缺点。我们主张将域适应技术纳入计算生物学家的工具箱，并进一步开发定制化方法。

在小规模和高度异质生物数据的情况下，如何使用领域自适应方法提高模型的泛化能力？

使用领域自适应方法来对不同数据集之间的特征和样本进行统一，以便在这些数据集上应用相似的模型。

论文讨论了在生物研究中使用领域自适应方法的好处和挑战，并通过关键代表性方法进行了批判性讨论。实验使用了不同的生物数据集，并提供了开源代码。值得深入研究的是如何进一步定制化这些方法。

最近的相关研究包括：\"Deep Transfer Learning for Cross-Dataset Classification\"，\"Domain adaptation for machine learning: A review\"，\"Transfer Learning in Biomedical Natural Language Processing: An Evaluation of BERT and ELMo on Ten Benchmarking Datasets\"等。