LucidAtlas：学习无偏差、协变量解耦、个体化的丰富图谱表示
机器学习
2025-12-11 v2
摘要
本工作旨在开发原则化技术，从具有复杂依赖关系的高维数据集中提取信息，为医疗等领域提供关于个体及群体层面变异的见解。我们构建了LucidAtlas，一种可表示空间变化信息、捕获协变量影响及群体不确定性的模型。作为一种通用图谱表示，LucidAtlas具备强大的协变量解释、个体化预测、群体趋势分析及不确定性估计能力，可灵活纳入先验知识。此外，我们讨论了神经加性模型在分析相关协变量时的可信度及潜在风险，并提出一种边际化方法来解释单个预测器对模型响应(即图谱)的依赖。为验证方法有效性，我们在两个医疗数据集上演示了其通用性。我们的发现凸显了基于先验可解释模型在推动科学发现中的关键作用。我们的代码将在接受后公开。
引用
@article{arxiv.2502.08445,
title = {LucidAtlas: Learning Uncertainty-Aware, Covariate-Disentangled, Individualized Atlas Representations},
author = {Yining Jiao and Sreekalyani Bhamidi and Huaizhi Qu and Carlton Zdanski and Julia Kimbell and Andrew Prince and Cameron Worden and Samuel Kirse and Christopher Rutter and Benjamin Shields and William Dunn and Jisan Mahmud and Tianlong Chen and Marc Niethammer},
journal= {arXiv preprint arXiv:2502.08445},
year = {2025}
}
备注
28 pages