用深度原型分析学习极值表示

原型是在极值意义下的典型群体代表，其中典型性被理解为某一特质或特征的最极端表现。在线性特征空间中，原型逼近数据的凸包，允许所有数据点被表示为原型的凸混合。然而，在给定特征空间中并不总是能够识别出有意义的原型。同时学习适当的特征空间并识别合适的原型解决了这一问题。本文引入了由神经网络参数化的线性原型模型的生成式表述。通过引入依赖于距离的原型损失，线性原型模型可被集成到变分自编码器的潜空间中，并且可端到端地学习关于未知原型的最优表示。将线性原型分析重新表述为深度变分信息瓶颈，允许在训练期间融入任意复杂的辅助信息。此外，提出了一种基于修正 Dirichlet 分布的替代先验。所提方法的现实世界适用性通过探索女性面部表情的原型得以展示，同时使用这些表情的基于多评分者的情绪分数作为辅助信息。第二个应用展示了对小有机分子化学空间的探索。在该实验中，表明交换辅助信息但保持相同的分子集合，例如使用每个分子的热容而非带隙能量作为辅助信息，将导致识别不同的原型。作为一种应用，这些学习到的化学空间表示可能揭示用于从头分子设计的不同起点。