具有缺失协变量的条件变分自编码器学习
机器学习
2022-03-03 v1 机器学习
摘要
条件变分自编码器(CVAE)是一类通用的深度生成模型，通过用辅助协变量对生成模型进行条件化来扩展标准VAE框架。原始CVAE模型假设数据样本相互独立，而更新的条件VAE模型（如高斯过程(GP)先验VAE）可考虑所有数据样本间复杂的相关结构。尽管已有若干方法可从部分观测数据集中学习标准VAE，这些方法在条件VAE上表现不足。本文提出一种方法，用于从辅助协变量也可能含缺失值的数据集中学习条件VAE。所提方法为缺失协变量增补先验分布，并利用摊销变分推断估计其后验。训练时，我们的方法在边际化缺失协变量相关不确定性的同时最大化证据下界。我们开发了与mini-batching兼容的、用于学习CVAE与GP先验VAE的计算高效方法。在模拟数据集及一项临床试验研究上的实验表明，所提方法在从非时序、时序与纵向数据集学习条件VAE方面优于以往方法。
引用
@article{arxiv.2203.01218,
title = {Learning Conditional Variational Autoencoders with Missing Covariates},
author = {Siddharth Ramchandran and Gleb Tikhonov and Otto Lönnroth and Pekka Tiikkainen and Harri Lähdesmäki},
journal= {arXiv preprint arXiv:2203.01218},
year = {2022}
}