无监督图像潜在表示中的混杂因素校正
计算机视觉与模式识别
2018-11-28 v2
摘要
生物成像数据常部分受混杂或包含不期望的变异性。此类现象的例子包括显微镜图像采集中的可变光照、组织切片中的染色强度变化，以及高通量药物筛选 assay 中的批次效应。因此，为开发对未见样本泛化良好的“公平”模型，学习对变异 nuisance 因素不敏感的 data 表示至关重要。本文提出一种基于对抗训练的策略，能够学习对混杂因素不变的无监督表示。作为方法的实证验证，我们使用深度卷积自编码器从显微镜成像中学习无偏的细胞表示。
引用
@article{arxiv.1811.06498,
title = {Adjusting for Confounding in Unsupervised Latent Representations of Images},
author = {Craig A. Glastonbury and Michael Ferlaino and Christoffer Nellåker and Cecilia M. Lindgren},
journal= {arXiv preprint arXiv:1811.06498},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216