注记：最大化潜在自相关有利于蛋白质动力学的变分编码
化学物理
2021-12-08 v1 机器学习
生物物理
机器学习
摘要
随着深度变分自编码器(VAE)框架越来越广泛地用于模拟生物分子模拟数据，我们强调VAE架构在推断约化坐标的同时最大化潜在空间时间尺度的能力，这有助于根据构象动力学的变分方法找到慢过程。我们还提供证据表明，VDE框架(Hernández等人，2017)使用这种自相关损失以及时间延迟重建损失，与相关的损失函数相比，获得了变分优化的潜在坐标。因此，我们建议在训练生物分子模拟数据的神经网络模型时利用潜在空间的自相关性，以更好地表示慢过程。
引用
@article{arxiv.1803.06449,
title = {Note: Variational Encoding of Protein Dynamics Benefits from Maximizing Latent Autocorrelation},
author = {Hannah K. Wayment-Steele and Vijay S. Pande},
journal= {arXiv preprint arXiv:1803.06449},
year = {2021}
}