纵向变分自编码器
机器学习
2021-04-21 v3 机器学习
摘要
在生物医学、心理学、社会学及其他研究中，常出现对个体受试者随时间重复测量的纵向数据集。分析含缺失值的高维数据的一种常用方法是利用变分自编码器（VAEs）学习低维表示。然而，标准 VAE 假设所学表示是独立同分布（i.i.d.）的，无法捕捉数据样本间的相关性。我们提出纵向 VAE（L-VAE），其采用多输出加性高斯过程（GP）先验，扩展 VAE 学习由辅助协变量信息所施加的结构化低维表示的能力，并推导出此类 GP 的新的 KL 散度上界。我们的方法可同时容纳时变共享效应与随机效应，生成结构化低维表示，解耦单个协变量或其交互的效应，并取得高度准确的预测性能。我们在合成与临床数据集上将本模型与先前方法比较，展示了在数据插补、重建与长期预测任务上的最先进（state-of-the-art）性能。
引用
@article{arxiv.2006.09763,
title = {Longitudinal Variational Autoencoder},
author = {Siddharth Ramchandran and Gleb Tikhonov and Kalle Kujanpää and Miika Koskinen and Harri Lähdesmäki},
journal= {arXiv preprint arXiv:2006.09763},
year = {2021}
}