用于钙成像数据尖峰推断的重要性加权对抗变分自编码器
机器学习
2019-10-24 v3 图像与视频处理
机器学习
摘要
重要性加权自编码器(IWAE)目标已被证明可改善生成模型相对于标准变分自编码器(VAE)目标的训练。在此，我们推导出AVB与AAE的重要性加权扩展。这些潜变量模型使用隐式定义的推断网络，其近似后验密度q_\phi(z|x)无法直接评估，而这是重要性加权的关键要素。我们展示了通过对抗训练的重要性加权方法在潜变量模型中改进的训练与推断，并推导出对抗生成模型训练准则与基于边际似然的方法之间的新理论联系。我们将这些方法应用于从钙成像数据推断尖峰神经活动这一重要问题——这是神经科学中一个具挑战性的后验推断问题，并表明来自对抗方法的后验样本优于VAE中使用的因子化后验。
引用
@article{arxiv.1906.03214,
title = {Importance Weighted Adversarial Variational Autoencoders for Spike Inference from Calcium Imaging Data},
author = {Daniel Jiwoong Im and Sridhama Prakhya and Jinyao Yan and Srinivas Turaga and Kristin Branson},
journal= {arXiv preprint arXiv:1906.03214},
year = {2019}
}