基于时序多视图数据的可解释深度表示学习
机器学习
2022-10-10 v3 机器学习
摘要
在视频监控、现代基因组学和金融等许多科学问题中，数据常随时间从多种测量中收集，表现出随时间变化的异质特性。因此，不仅有必要整合来自多个来源的数据（称为多视图数据），还需纳入时间依赖性以深入理解底层系统。我们提出一种基于变分自编码器与循环神经网络的生成模型，以推断多视图时序数据的潜在动态。该方法使我们能够识别跨视图解耦的潜在嵌入，同时考虑时间因素。我们将所提模型应用于三个数据集的分析，并展示了模型的有效性与可解释性。
引用
@article{arxiv.2005.05210,
title = {Interpretable Deep Representation Learning from Temporal Multi-view Data},
author = {Lin Qiu and Vernon M. Chinchilli and Lin Lin},
journal= {arXiv preprint arXiv:2005.05210},
year = {2022}
}
备注
Accepted at ACML 2022