利用神经网络寻找原型空间

原型分析是一种数据分解方法，将数据集中的每个观测描述为“纯类型”或原型的凸组合。这些原型代表了数据空间中的极值，其中特征之间存在权衡，例如在生物学中，不同性状的组合为不同环境提供最优适应度。现有的原型分析方法在特征空间与原型空间之间存在线性关系时表现良好。然而，这类方法不适用于原型组合以非线性方式生成特征空间的系统，例如生物系统或图像变换。在此，我们重新表述该问题，使得目标变为学习数据到潜在原型空间的非线性变换。为解决此问题，我们引入了原型分析网络（AAnet），这是一个用于从数据的潜在原型表示中进行学习和生成的深度神经网络框架。我们展示了在非线性数据域中对真实原型的当前最优恢复能力，表明 AAnet 可以从数据几何而非数据密度生成，并利用 AAnet 在单细胞基因表达数据中识别具有生物学意义的原型。