将可解释 $\ell_1$ 回归嵌入神经网络以揭示细胞影像中的时序结构
机器学习
2026-03-10 v2
摘要
虽然人工神经网络在无监督学习稀疏结构方面表现出色，但经典统计回归技术在可解释性方面具有优势，特别是当稀疏性通过 正则化来实现时，能够识别哪些因素驱动了观察到的动态过程。我们研究如何将这两类方法 optimally 组合，具体例证性地考察了两个钙成像数据，其中需要提取稀疏自回归动态。我们提出将向量自回归 (VAR) 模型作为可解释回归技术嵌入卷积自动编码器中，该编码器提供维度压缩，以便于可操作的时序建模。一个跳过连接单独处理非稀疏的静态空间信息，选择性地将稀疏结构引入 正则化 VAR。通过对分段线性解路径进行微分，实现 回归参数的估计。我们对比了不考虑 VAR 模型的自动编码器方法。拥有嵌入式统计模型还允许一种用于比较同一观察单元中时序序列的测试方法。此外，贡献图可可视化哪些空间区域驱动了所学的动态过程。
引用
@article{arxiv.2603.02899,
title = {Embedding interpretable $\ell_1$-regression into neural networks for uncovering temporal structure in cell imaging},
author = {Fabian Kabus and Maren Hackenberg and Julia Hindel and Thibault Cholvin and Antje Kilias and Thomas Brox and Abhinav Valada and Marlene Bartos and Harald Binder},
journal= {arXiv preprint arXiv:2603.02899},
year = {2026}
}