A semi-supervised machine learning framework for microRNA classification
本文探讨了半监督机器学习在miRNA分类中的应用，以最大限度地利用标记数据和未标记数据。我们在这里提出了两种半监督方法的新组合:主动学习和多视角联合训练。在6个不同物种上的结果表明，这阶段半监督方法能够使用非常少的标记实例来提高分类性能，有效地利用了可用的未标记数据。
提出的半监督miRNA分类管道有潜力以高查全率和精度识别新的miRNA，同时需要非常少量的已知miRNA。这种方法在研究小生境物种新测序基因组中的miRNA时非常有益，因为已知的miRNA例子很少。
深度神经网络DNN，同分布取样，筛选起始密码子为ATG，去冗余，
针对短肽预测研究中 lncRNA 中 sORFs 特征不鲜明且高可信度数据尚不充分的问题，提出一种基于表示学习的深度森林模型
提出一种自动编码器（AE）与深度森林结合的方法，实现lncRNA编码短肽的识别预测。
本文的主要贡献如下:
1)使用多个生物信息学软件获取拟南芥中的 sORFs，对结果取交集以提高结果可信度。
2)提取 CDS 与 NCDS 候选 sORFs 序列在多种特征编码方式下的特征表达结果，对特征进行融合，并通过机器学习算法分析二者的差异。
3)结合自动编码器非监督表示学习思想，提出一种深度森林预测模型，实现 sORFs 编码短肽的识别预测。
主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精确度。
不同于被动学习被动的接受知识，主动学习能够选择性地获取知识。
如何从中挑选出对训练贡献度高的样例，标注后补充到训练集中来提升分类器性能是主动学习研究方向之一。