基于贝叶斯元学习的心脏仿真个性化神经代理模型少样本生成
机器学习
2022-10-07 v1
摘要
个性化虚拟心脏仿真的临床落地面临模型个性化与计算昂贵的挑战。虽然理想方案是同时针对个体受试者个性化且高效化的神经代理模型，但现有最优方法要么关注昂贵仿真模型的个性化，要么学习高效却通用的代理模型。本文提出一个全新概念，在元学习（metaPNS）的统一框架中实现个性化神经代理模型。我们并非学习单一神经代理，而是利用来自受试者的少量上下文数据，在一种新颖的少样本生成建模形式下学习个性化神经代理，其支撑为：1）一种集合条件化的心脏仿真神经代理，以受试者特定上下文数据为条件，学习生成上下文集中未包含的查询仿真；2）一种摊销变分推断的元模型，通过学习以上下文数据的简单前馈嵌入来条件化该神经代理。在测试时，metaPNS 通过对个体可用灵活少量数据的快速前馈嵌入，交付个性化神经代理，首次在端到端学习框架中实现了昂贵仿真的个性化与代理构建。合成与真实数据实验表明，与传统优化的心脏仿真模型相比，metaPNS 以极少的计算代价提升了个性化与预测精度。
引用
@article{arxiv.2210.02967,
title = {Few-shot Generation of Personalized Neural Surrogates for Cardiac Simulation via Bayesian Meta-Learning},
author = {Xiajun Jiang and Zhiyuan Li and Ryan Missel and Md Shakil Zaman and Brian Zenger and Wilson W. Good and Rob S. MacLeod and John L. Sapp and Linwei Wang},
journal= {arXiv preprint arXiv:2210.02967},
year = {2022}
}