AutoNFS：面向表格数据的自动神经特征选择
AutoNFS 是面向表格数据的自动神经特征选择方法的配套数据与代码资源，来源于 doi.org，分类归入肿瘤 / 附件肿瘤与肿块
基本信息
资源简介
AutoNFS：面向表格数据的自动神经特征选择
AutoNFS 是面向表格数据的自动神经特征选择方法的配套数据与代码资源，英文全称为 AutoNFS: Automatic neural feature selection for tabular data。该资源来源于 doi.org，在分类上归入肿瘤 / 附件肿瘤与肿块，主题标签涵盖表格数据与宏基因组学。它随论文一同发布，旨在为表格数据场景下的自动神经特征选择研究提供可复现的数据与实现基础。资源中包含方法实现代码，并给出了实验所用的具体版本或提交标识，同时通过 DOI 进行正式存档，采用 CC-BY-4.0 许可协议开放获取。作者为 Wydmański, Witold 与 Śmieja, Marek，机构标注为 PLOS ONE，发布时间为 2026 年。
【数据集背景】
该数据集伴随名为“AutoNFS: Automatic neural feature selection for tabular data”的研究工作发布，核心目标是支撑表格数据上的自动神经特征选择方法的实现与验证。表格数据广泛存在于生物医学、组学分析等场景，特征维度高、冗余与噪声问题突出，自动特征选择因此成为建模流程中的关键环节。AutoNFS 通过提供配套的数据与代码，使研究者能够复现论文中的实验流程，并在此基础上开展方法对比与扩展研究。其主题标签同时涉及表格数据与宏基因组学，说明该资源面向的典型应用领域包含以表格形式组织的组学数据。本站将其归入肿瘤 / 附件肿瘤与肿块分类，表明其应用语境与肿瘤相关的医学研究存在关联。
【数据内容】
该资源包含两部分内容：一是论文所配套的数据，二是方法实现代码。方法实现托管于 GitHub 仓库 https://github.com/wwydmanski/AutoNFS，并明确标注了实验所使用的版本或提交标识为 812371884640649cccef611e357be73c024d39c5，以保证实验结果的精确复现。资源通过 DOI 10.5281/zenodo.23268961 进行存档。除上述信息外，关于数据的具体样本量、特征数量、文件格式、目录结构等细节，源站未提供。
【采集与来源】
该资源的来源站为 doi.org，通过 Zenodo 平台以 DOI 形式正式存档，存档编号为 10.5281/zenodo.23268961。代码实现来源于 GitHub 公开仓库，作者为 Wydmański, Witold 与 Śmieja, Marek，机构标注为 PLOS ONE。发布时间为 2026 年。关于数据的具体采集方式、采集时间、采集地点、纳入与排除标准等信息，源站未提供。
【适用场景】
该资源适用于表格数据上的自动神经特征选择方法的复现、评估与扩展研究。由于其主题标签包含宏基因组学，可应用于以表格形式组织的组学数据分析场景；结合本站肿瘤 / 附件肿瘤与肿块的分类，其潜在应用语境涉及肿瘤相关研究中的特征筛选与建模。此外，该资源也可用于方法学比较研究，例如将 AutoNFS 与其他特征选择方法在表格数据上进行对照。关于具体适用的疾病类型、数据规模或临床任务，源站未提供。
【使用方法】
使用者可通过 DOI 10.5281/zenodo.23268961 获取存档的数据与代码资源，并通过 GitHub 仓库 https://github.com/wwydmanski/AutoNFS 访问方法实现。为保证与论文实验一致，应使用提交标识 812371884640649cccef611e357be73c024d39c5 对应的代码版本。关于具体的安装步骤、运行环境依赖、参数配置、输入输出格式及示例命令等信息，源站未提供。
【质量与限制】
该资源通过 Zenodo 以 DOI 形式存档，并采用 CC-BY-4.0 许可协议，具备可引用性与开放获取条件；代码仓库明确标注了实验所用提交版本，有利于复现。但关于数据的完整性、标注准确性、样本代表性、潜在偏倚以及方法适用边界等质量相关信息，源站未提供。使用者应结合自身研究场景评估其适用性。
【引用与许可】
该资源的作者为 Wydmański, Witold 与 Śmieja, Marek，机构标注为 PLOS ONE，发布时间为 2026 年。许可协议为 Creative Commons Attribution 4.0 International（CC-BY-4.0），允许在署名前提下使用、共享与改编。引用时应使用存档 DOI 10.5281/zenodo.23268961，并在涉及方法实现时注明 GitHub 仓库及实验所用提交标识 812371884640649cccef611e357be73c024d39c5。关于具体的引用格式或论文出处信息，源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.23268961
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 74.4 MB。
数据说明
伴随“AutoNFS: Automatic neural feature selection for tabular data”的数据与代码。- 方法实现：https://github.com/wwydmanski/AutoNFS（实验所用版本/提交：812371884640649cccef611e357be73c024d39c5）- 存储DOI：10.5281/zenodo.23268961 许可：CC-BY-4.0
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
