用于超离散潜在建模的负二项变分自编码器
机器学习
2026-04-09 v2 机器学习
摘要
尽管人工神经网络常被描述为受大脑启发，其表征通常依赖于连续激活，例如变分自编码器（VAEs）中的连续潜在变量，这限制了其与真实神经元中基于离散脉冲信号的生物学可信度。诸如泊松VAE的扩展引入了基于离散计数的潜在变量，但其等均值-方差假设无法捕捉神经脉冲的超离散现象，导致表征不够丰富和信息性。为此，我们提出NegBio-VAE，一种具有离散参数的负二项潜在变量模型，用于灵活的脉冲计数建模。NegBio-VAE通过 novel KL估计和reparameterization技术保持可解释性，同时提高表征质量和训练可行性。在四个数据集上的实验表明，NegBio-VAE在重建和生成性能方面 consistently优于竞争性单层VAE基线，并且为下游任务 yield robust, informative latent representations。进行了大量消融研究，以验证模型对 various components的鲁棒性。我们的代码可在https://github.com/co234/NegBio-VAE获取。
引用
@article{arxiv.2508.05423,
title = {Negative Binomial Variational Autoencoders for Overdispersed Latent Modeling},
author = {Yixuan Zhang and Jinhao Sheng and Wenxin Zhang and Quyu Kong and Feng Zhou},
journal= {arXiv preprint arXiv:2508.05423},
year = {2026}
}