多视图数据中共享与私有几何的无监督发现
机器学习
2025-12-19 v3 神经元与认知
机器学习
摘要
研究复杂的现实现象时，常涉及来自多个视角（例如传感器模态或脑区）的数据，每个视角都捕捉到底层系统的不同方面。在神经科学领域，人们越来越关注跨多个脑区的大规模同步记录。理解不同视角之间的关系（例如，记录的每个脑区的神经活动）可以揭示关于每个视角以及整个系统的基本见解。然而，现有的用于表征此类关系的方法缺乏足够的表达能力来捕捉非线性关系，只描述共享的方差源，或会丢弃对于从数据中提取见解至关重要的几何信息。本文提出了SPLICE：一种基于神经网络的方法，从配对的高维视角样本中推断出私有和共享潜在变量的无监督、可解码且可解释的表示。与现有方法相比，我们展示SPLICE 1) 更有效地解耦了共享和私有表示，2) 通过保留几何信息，获得更具可解释性的表示，3) 对潜在维度的错误先验估计更具鲁棒性。我们将该方法提出为一种通用的、以提炼且可解释的方式描述配对数据集的方法，涉及解耦的共享和私有潜在变量。
引用
@article{arxiv.2408.12091,
title = {Unsupervised discovery of the shared and private geometry in multi-view data},
author = {Sai Koukuntla and Joshua B. Julian and Jesse C. Kaminsky and Manuel Schottdorf and David W. Tank and Carlos D. Brody and Adam S. Charles},
journal= {arXiv preprint arXiv:2408.12091},
year = {2025}
}