利用Transformer的組合聚類算法在蛋白質(zhì)數(shù)據(jù)分析中的應(yīng)用

打開文本圖片集

摘要：該研究將Transformer模型適配于蛋白質(zhì)特征降維場景，通過其特有的自注意力機(jī)制，賦予模型對長程依賴關(guān)系的較好建模性能，同時，多頭注意力設(shè)計使得模型能夠從不同角度捕獲特征間的相互作用，進(jìn)一步提升降維結(jié)果的表達(dá)力和魯棒性。文章提出了一種新型的GRKM組合聚類算法，在原始K-means算法中引入了灰狼優(yōu)化算法（Grey Wolf Optimization Algorithm）確定聚類的K值，以隨機(jī)游走算法（Random Walk）確定初始聚類中心，以馬氏距離（Markov Distance）來衡量樣本間的相似性。（剩余12175字）