双向推断网络：一类用于健康画像的深度贝叶斯网络
机器学习
2019-02-07 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
我们考虑如下问题：给定其他观测变量(如症状和已诊断疾病)和高维信号(如 MRI 图像或 EEG)，推断任意一组变量(如疾病风险)的取值。这是医疗健康中的常见问题，因为不同患者所关注的变量往往不同。包括贝叶斯网络和结构化预测在内的现有方法要么未纳入高维信号，要么未能对变量间的条件依赖建模。为解决这些问题，我们提出双向推断网络(BIN)，其将多个概率神经网络拼接在一起，每个网络建模一种条件依赖。随后通过反向传播(BP)迭代更新变量以最大化相应后验概率来进行预测。此外，我们将 BIN 扩展为复合 BIN (CBIN)，其在训练阶段引入迭代预测过程，并通过自适应平滑优化地形提升了精度与计算效率。在合成与真实数据集(一项睡眠研究与一项皮肤病数据集)上的实验表明，CBIN 作为单一模型即可达到 SOTA 性能，且在多数推断任务中比针对各不同任务分别训练多个模型取得更好精度。
引用
@article{arxiv.1902.02037,
title = {Bidirectional Inference Networks: A Class of Deep Bayesian Networks for Health Profiling},
author = {Hao Wang and Chengzhi Mao and Hao He and Mingmin Zhao and Tommi S. Jaakkola and Dina Katabi},
journal= {arXiv preprint arXiv:1902.02037},
year = {2019}
}
备注
Appeared at AAAI 2019