Holographic-(V)AE：傅里叶空间中端到端 SO(3) 等变（变分）自编码器
机器学习
2023-06-13 v2 生物物理
摘要
群等变神经网络已成为一种数据高效的方法，用于在尊重数据相关对称性的前提下解决分类与回归任务。然而，将这一范式拓展至无监督与生成领域的工作甚少。本文提出 Holographic-(Variational) Auto Encoder（H-(V)AE），一种完全端到端、位于傅里叶空间中的 SO(3) 等变（变分）自编码器，适用于围绕三维中指定原点分布的数据的无监督学习与生成。H-(V)AE 被训练来重建数据的球傅里叶编码，在此过程中学习数据的低维表示（即潜空间），该表示包含信息最大化的旋转不变嵌入以及描述数据朝向的等变坐标系。我们在多个不同数据集上广泛测试了 H-(V)AE 的性能。结果表明，所学潜空间能有效编码球图像的类别特征。此外，H-(V)AE 的潜空间可用于提取蛋白质结构微环境的紧凑嵌入，当与随机森林回归器结合时，能够实现蛋白质-配体结合亲和力的当前最优预测。
引用
@article{arxiv.2209.15567,
title = {Holographic-(V)AE: an end-to-end SO(3)-Equivariant (Variational) Autoencoder in Fourier Space},
author = {Gian Marco Visani and Michael N. Pun and Arman Angaji and Armita Nourmohammad},
journal= {arXiv preprint arXiv:2209.15567},
year = {2023}
}