解耦多模态变分自编码器中的共享与私有潜在因子
机器学习
2024-03-12 v1 机器学习
基因组学
摘要
多模态数据的生成模型允许识别可能与观测数据异质性的重要决定因素相关联的潜在因子。公共或共享因子对于解释跨模态的变异可能很重要，而其他因子可能是私有的，且仅对单一模态的解释重要。多模态变分自编码器（如MVAE和MMVAE）是推断这些底层潜在因子并将共享变异与私有变异分离的自然选择。在本研究中，我们考察了它们可靠执行这种解耦的能力。特别地，我们强调了一个具有挑战性的问题设定，即特定模态的变异主导了共享信号。从跨模态预测的角度，我们展示了现有模型的局限性，并提出了一种修改方法以使其对特定模态的变异更具鲁棒性。我们的发现得到了合成数据及各种真实世界多组学数据集上实验的支持。
引用
@article{arxiv.2403.06338,
title = {Disentangling shared and private latent factors in multimodal Variational Autoencoders},
author = {Kaspar Märtens and Christopher Yau},
journal= {arXiv preprint arXiv:2403.06338},
year = {2024}
}
备注
Accepted for publication in the Proceedings of Machine Learning in Computational Biology (MLCB 2023)