矩匹配深度对比潜变量模型
机器学习
2022-02-23 v1
摘要
在对比分析（CA）设定下，机器学习从业者特别关注发现目标数据集中相较于背景数据集富集的模式，而背景数据集来自与当前任务无关的变异源。例如，生物医学数据分析师可能试图理解仅存在于给定疾病患者基因组数据中的变异，而非健康对照受试者中也存在的变异。此类场景推动了对比潜变量模型的发展，以将目标数据集独有的变异与目标和背景数据集共享的变异分离，当前最先进的模型基于变分自编码器（VAE）框架。然而，先前提出的模型未显式强制 CA underlying 的潜变量约束，可能导致两组潜变量之间不期望的信息泄漏。在此我们提出矩匹配对比 VAE（MM-cVAE），这是对用于 CA 的 VAE 的重新表述，其使用最大均值差异显式强制 CA 背后的两个关键潜变量约束。在三个具有挑战性的 CA 任务上，我们发现我们的方法在定性上和一组定量指标上均优于先前的最先进水平。
引用
@article{arxiv.2202.10560,
title = {Moment Matching Deep Contrastive Latent Variable Models},
author = {Ethan Weinberger and Nicasia Beebe-Wang and Su-In Lee},
journal= {arXiv preprint arXiv:2202.10560},
year = {2022}
}
备注
AISTATS 2022 Camera-ready