利用 HSIC 正则化 Wasserstein 自编码器对生物病理连续体进行建模
机器学习
2019-01-23 v1 计算机视觉与模式识别
机器学习
摘要
在基于图像的生物医学数据建模中，一个关键挑战是识别区分正常与病理的趋势和特征。在许多情况下，成像对象的形态在偏离正常状态时表现出连续变化，因此可以训练生成模型来建模这种形态连续体。此外，给定与形态变化特定趋势相关的旁信息，可以通过正则化潜在变量模型，使其潜在表示反映该旁信息。在本工作中，我们使用 Wasserstein 自编码器来建模这种病理连续体，并应用 Hilbert-Schmidt 独立性准则（HSIC）来强制特定潜在特征与所提供旁信息之间的依赖关系。我们通过实验表明，该模型能够提供解耦且可解释的潜在表示，并能生成与旁信息变化相对应的形态变化连续体。
引用
@article{arxiv.1901.06618,
title = {Modeling the Biological Pathology Continuum with HSIC-regularized Wasserstein Auto-encoders},
author = {Denny Wu and Hirofumi Kobayashi and Charles Ding and Lei Cheng and Keisuke Goda Marzyeh Ghassemi},
journal= {arXiv preprint arXiv:1901.06618},
year = {2019}
}