GroupEnc:基于分组损失以保持全局结构的编码器
机器学习
2023-09-07 v1
摘要
维度约简的最新进展已实现高维数据更精确的低维嵌入。除可视化目的外,这些嵌入可用于下游处理,包括批次效应归一化、聚类、社区检测或轨迹推断。我们利用局部与全局层面的结构保持概念,构建了一个基于变分自编码器(VAE)与 SQuadMDS 算法中随机四元组损失(stochastic quartet loss)的深度学习模型。我们的编码器模型称为 GroupEnc,使用“分组损失(group loss)”函数创建比 VAE 全局结构失真更小的嵌入,同时保持模型参数化与架构灵活。我们使用公开可用的生物单细胞转录组数据集,采用 RNX 曲线进行评估,验证了我们的方法。
引用
@article{arxiv.2309.02917,
title = {GroupEnc: encoder with group loss for global structure preservation},
author = {David Novak and Sofie Van Gassen and Yvan Saeys},
journal= {arXiv preprint arXiv:2309.02917},
year = {2023}
}
备注
Submitted to BNAIC/BeNeLearn 2023