截断高斯混合变分自编码器
机器学习
2021-06-29 v3 机器学习
摘要
变分自编码器（VAE）已成为从低维潜在空间建模数据非线性生成过程的强大工具。最近，几项研究提出使用 VAE 进行无监督聚类，通过混合模型来捕获潜在表示的多模结构。然而，当存在潜在表示无意义的离群数据样本，但它们又污染了潜在空间中关键主要簇的估计时，这种策略是无效的。这个问题恰好出现在静息态 fMRI（rs-fMRI）分析中，其中主要功能连接模式的聚类经常受到 rs-fMRI 严重噪声和分析不感兴趣的许多次簇（罕见连接模式）的阻碍。在本文中，我们提出了一种新颖的生成过程，其中我们使用高斯混合来建模数据中的几个主要簇，并使用无信息均匀分布来捕获剩余数据。我们将这种截断高斯混合模型嵌入到变分自编码器框架中，以获得一种通用的联合聚类和离群点检测方法，称为 tGM-VAE。我们展示了 tGM-VAE 在 MNIST 数据集上的适用性，并在 rs-fMRI 连接分析中进一步验证了它。
引用
@article{arxiv.1902.03717,
title = {Truncated Gaussian-Mixture Variational AutoEncoder},
author = {Qingyu Zhao and Nicolas Honnorat and Ehsan Adeli and Kilian M. Pohl},
journal= {arXiv preprint arXiv:1902.03717},
year = {2021}
}