2月2日戈梅兹、塞尔吉奥·奥斯托伊科维奇、伊万·奥布拉多维奇、，Zoran PY-2017 DA-2017/12/18 TI-稀疏学习高维数据的疾病严重程度得分SP-7120691 VL-2017 AB-从收集的测量数据自动学习疾病严重程度得分可能有助于提高医疗保健和科学理解的质量。在这方面已经采取了一些步骤，并提出了从数据中提取评分函数的机器学习算法。随着测量和存储数据的数量和多样性的迅速增加，大量的信息正成为学习算法面临的挑战之一。在这项工作中，我们研究了被测变量的维数较大的问题的方向。了解这种情况下的严重性评分会带来哪些测量特征相关的问题。我们提出了一种新的方法，通过结合现有公式的理想特性，该方法在准确性方面，尤其是在学习的评分函数的鲁棒性方面，优于备选方案。建议的公式有一个非光滑惩罚，导致稀疏性。这个问题通过解决一个对偶公式来解决，这个对偶公式是平滑的，并且允许有效的优化。所提出的方法可能被用作评分功能学习和生物标记物发现的有效和可靠的工具，如识别一组与流感症状严重程度相关的稳定基因所示，这些基因丰富于免疫相关过程。SN-1076-2787 UR-https://doi.org/10.1155/2017/7120691 DO-10.1155/2017/7120691 JF-复杂性PB-印度群岛KW-ER-