用于反事实推断、数据整合与公平性的后验对比混合方法
机器学习
2022-06-28 v4 机器学习
基因组学
摘要
学习能应对批次效应校正与反事实推断等挑战的有意义数据表示，是包括计算生物学在内的诸多领域的核心问题。采用条件变分自编码器（Conditional VAE）框架，我们表明表示与条件变量之间的边际独立性在这两个挑战中都起着关键作用。我们提出后验对比混合（CoMP）方法，其利用以变分后验混合定义的新型错位惩罚来在潜空间中强制该独立性。我们表明 CoMP 相较先前方法具有吸引人的理论性质，并在附加假设下证明了 CoMP 的反事实可识别性。我们在包括将人类肿瘤样本与癌细胞系对齐、预测转录组水平扰动响应、以及单细胞 RNA 测序数据批次校正等一组挑战性任务上展示了最优性能。我们还发现了与公平表示学习的相似之处，并表明 CoMP 在该领域常见任务上具竞争力。
引用
@article{arxiv.2106.08161,
title = {Contrastive Mixture of Posteriors for Counterfactual Inference, Data Integration and Fairness},
author = {Adam Foster and Árpi Vezér and Craig A Glastonbury and Páidí Creed and Sam Abujudeh and Aaron Sim},
journal= {arXiv preprint arXiv:2106.08161},
year = {2022}
}
备注
Published as a conference paper (long presentation) at ICML 2022