面向异构时序与纵向数据的变分自编码器
机器学习
2023-11-21 v2 机器学习
摘要
变分自编码器（VAE）是一种流行的深度潜变量模型，通过学习数据的低维潜表示来分析高维数据集。它同时学习生成模型和推断网络以执行近似后验推断。最近提出的能够处理时序和纵向数据的 VAE 扩展在医疗健康、行为建模和预测性维护中具有应用价值。然而，这些扩展未考虑异构数据（即由连续和离散属性组成的数据），而这在许多现实应用中很常见。在这项工作中，我们提出了异构纵向 VAE（HL-VAE），将现有的时序和纵向 VAE 扩展到异构数据。HL-VAE 为高维数据集提供高效推断，并包含连续、计数、类别和有序数据的似然模型，同时考虑缺失观测。我们通过模拟以及临床数据集证明了模型的有效性，并表明我们提出的模型在缺失值插补和预测准确性方面取得了具有竞争力的性能。
引用
@article{arxiv.2204.09369,
title = {A Variational Autoencoder for Heterogeneous Temporal and Longitudinal Data},
author = {Mine Öğretir and Siddharth Ramchandran and Dimitrios Papatheodorou and Harri Lähdesmäki},
journal= {arXiv preprint arXiv:2204.09369},
year = {2023}
}