Previsão de recorrência do câncer de mama usando a Máquina de Boltzmann Restringida de Classificação com Dropping

Neste artigo, aplicamos a Máquina de Boltzmann Restringida de Classificação (ClassRBM) ao problema de prever a recorrência do câncer de mama. De acordo com o Registro Nacional de Câncer da Polônia, em 2010, o câncer de mama causou quase 25% de todos os casos diagnosticados de câncer na Polônia. Propomos como usar a ClassRBM para prever o retorno do câncer de mama e descobrir entradas relevantes (sintomas) na reaparição da doença. Em seguida, delineamos um quadro probabilístico geral para aprender máquinas de Boltzmann com máscaras, que chamamos de Dropping. A forma de gerar máscaras leva a diferentes métodos de aprendizado, ou seja, DropOut, DropConnect. Propomos um novo método chamado DropPart, que é uma generalização do DropConnect. No DropPart, a distribuição Beta em vez da distribuição de Bernoulli no DropConnect é utilizada. No final, realizamos um experimento usando um conjunto de dados da vida real composto por 949 casos, fornecido pelo Instituto de Oncologia de Ljubljana.