具有复合似然与数值积分的潜高斯过程
机器学习
2021-04-21 v4 机器学习
应用统计
摘要
临床患者记录是高维数据的一个例子，通常来自不同来源收集，并由带有噪声及缺失值的多个似然组成。在这项工作中，我们提出了一种无监督生成模型，能够在潜空间中学到观测之间的低维表示，同时在具有缺失值的异质数据设定下利用所有可用数据。我们通过引入多个似然以及由深度神经网络参数化的反向约束，改进了现有的高斯过程潜变量模型（GPLVM），从而创建了一种面向异质数据的非线性降维技术。此外，我们为我们的模型开发了一种使用数值积分的变分推断方法。我们在标准基准数据集以及赫尔辛基大学医院（HUS Helsinki University Hospital）治疗的帕金森病患者的临床数据上，确立了模型的有效性并与现有 GPLVM 方法进行了比较。
引用
@article{arxiv.1909.01614,
title = {Latent Gaussian process with composite likelihoods and numerical quadrature},
author = {Siddharth Ramchandran and Miika Koskinen and Harri Lähdesmäki},
journal= {arXiv preprint arXiv:1909.01614},
year = {2021}
}