基于变分自编码器的时空数据可扩展建模：在青光眼中的应用
应用统计
2019-08-27 v1 机器学习
摘要
随着大型空间数据日益普遍，经典的时空（ST）方法往往难以良好扩展。尽管已有方法用于处理高维空间对象，但对于存在极大量空间观测样本的情形则较少受到关注。变分自编码器（VAE）是一种基于深度学习和近似贝叶斯推断的无监督生成模型，它利用跨大量样本联合推断的潜变量设定填补了这一空白。在本稿件中，我们比较了 VAE 与一种更经典的时空方法在分析一项前瞻性青光眼研究中大量患者纵向视野时的表现。通过模拟和案例研究，我们证明当目标是获得准确预测时，VAE 是一种可扩展的时空数据分析方法。实现 VAE 的 R 代码可在 GitHub 上找到：https://github.com/berchuck/vaeST。
引用
@article{arxiv.1908.09195,
title = {Scalable Modeling of Spatiotemporal Data using the Variational Autoencoder: an Application in Glaucoma},
author = {Samuel I. Berchuck and Felipe A. Medeiros and Sayan Mukherjee},
journal= {arXiv preprint arXiv:1908.09195},
year = {2019}
}
备注
This is a preprint of an article submitted for publication in the Annals of Applied Statistics. The article contains 26 pages and 7 figures