DeepJIVE：基于深度学习的联合与个体方差解释
计算机视觉与模式识别
2025-07-29 v1 人工智能
摘要
传统的多模态数据集成方法能够全面评估每种数据类型中共享或唯一结构，但存在若干局限性，如无法处理高维数据和识别非线性结构。本文我们引入DeepJIVE，这是一种基于深度学习的JIVE（联合与个体方差解释）方法。我们进行了数学推导和使用合成数据和真实世界1D、2D、3D数据集的实验验证。探索了实现DeepJIVE恒等式约束和正交约束的不同策略， resulting in three viable loss functions。我们发现DeepJIVE能够成功地揭示多模态数据集的联合变异和个体变异。我们将DeepJIVE应用于阿尔茨海默病神经图像计划（ADNI），也识别出了between amyloid正电素活化力学（PET）和磁共振（MR）图像之间具有生物学可解释性的协变模式。综上所述，提出的DeepJIVE可以是多模态数据分析的有用工具。
引用
@article{arxiv.2507.19682,
title = {DeepJIVE: Learning Joint and Individual Variation Explained from Multimodal Data Using Deep Learning},
author = {Matthew Drexler and Benjamin Risk and James J Lah and Suprateek Kundu and Deqiang Qiu},
journal= {arXiv preprint arXiv:2507.19682},
year = {2025}
}
备注
26 pages, 10 figures