基于耦合自编码器的混合表示学习
机器学习
2021-04-14 v3 机器学习
摘要
在无监督条件下联合辨识离散与连续变异因素的混合是揭示复杂现象的关键问题。变分推断已成为学习可解释混合表示的一种有前景的方法。然而，高维潜空间中的后验近似，尤其是针对离散因素，仍然具有挑战性。在此，我们提出一种使用多个交互网络的名为cpl-mixVAE的无监督变分框架，该框架可良好扩展至高维离散设定。在此框架中，每个网络的混合表示通过对离散因素施加一致性约束进行正则化。我们通过提供理论与实验结果来论证该框架的使用。最后，我们利用所提方法联合揭示描述基因表达的离散与连续变异因素，该单细胞转录组数据集刻画了超过一百种皮层神经元类型。
引用
@article{arxiv.2007.09880,
title = {Mixture Representation Learning with Coupled Autoencoders},
author = {Yeganeh M. Marghi and Rohan Gala and Uygar Sümbül},
journal= {arXiv preprint arXiv:2007.09880},
year = {2021}
}
备注
10 pages, 6 figures, conference