Jul, 2022

利用量化向量变分自动编码器改进转录组特征进行癌症亚型划分

PDF
TL;DR该论文使用 VQ-VAE 模型解决了癌症亚型的聚类问题，并在多个数据集上进行广泛实验和医学分析，并证明该方法能够显著和稳健地改善对癌症分型系统的预测。
cancer subtypesclusteringomics datavq-vaeprognosis
发现论文，激发创造
  • 通过向量量化互信息最大化实现癌症自动亚型划分

    通过提出一种新的聚类方法，我们可以利用基因表达谱划分癌症亚型，提高聚类效果，并与医学分析方法相结合，进一步证明其与患者生存率的高相关性。

    Jun, 2022

  • 用于肺部病变特征探索和恶性预测的变分自编码器

    应用生成型 AI 模型 VAEs 对肺癌病灶进行研究，通过聚类分析和 MLP 分类器模型，在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度，同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析，最后展示了潜在空间遍历在临床上具有潜在的特征变化。

    Nov, 2023

  • 鲁棒量化向量变分自编码器

    本文提出了一种基于 VQ-VAE 的鲁棒生成模型（RVQ-VAE），使用两个分离的码本进行训练以处理数据集中可能的异常值，并采用加权欧几里得距离来量化数据点以确保正确的匹配，实验证明此模型能够在大量数据点受到污染时从内固定集合中生成例子。

    Feb, 2022

  • 利用 VQ-VAE-2 生成多样高保真度图像

    本文探讨矢量量化变分自编码器模型 (VQ-VAE) 进行大规模图像生成的应用，采用自回归先验信息，结合简单前馈编码器和解码器网络，以压缩的潜变量空间进行自动回归模型采样，同时使用多尺度层级 VQ-VAE 进行生成，取得比 Generative Adversarial Networks 更加优秀的样本生成品质。

    Jun, 2019

  • 无线通信和传感器网络中多模态数据融合的优化

    本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

    Feb, 2023

  • 向量量化自编码器的理论与实验

    该研究利用基于期望最大化算法的训练技术提高 VQ-VAE 模型在 CIFAR-10 数据集上的图像生成结果，并通过知识蒸馏技术，开发出一种非自回归机器翻译模型，其准确性几乎与强贪婪自回归基线变压器相当，但在推理速度上快 3.3 倍。

    May, 2018

  • 神经离散表征学习

    本文提出了一种简单而强大的生成模型，学习离散表示，可以生成高质量的图像、视频和语音，同时进行说话人转换和音素无监督学习。

    Nov, 2017

  • 评估无监督解缠表示学习用于基因组发现和疾病风险预测

    使用高维临床数据和变分自编码器 (VAE) 学习的低维嵌入可用于基因组关联研究和多基因风险预测，而在基因关联研究中，FactorVAE 和 beta-VAE 相较于标准 VAE 或非变分自编码器在哮喘和慢性阻塞性肺疾病的全基因组显著位点数量、遗传度和多基因风险评分的性能上表现更好，而且 FactorVAE 在正则化超参数的多个值上效果显著，而 beta-VAE 对超参数的值非常敏感。

    Jul, 2023

  • 分层量化自编码器

    该研究使用层次 VQ-VAE 近似压缩图像，同时保持感知质量和抽象特征。在 CelebA 和 MNIST 数据集上进行了定性和定量评估。

    Feb, 2020

  • 向量量化图自编码器

    本文提出了一种基于图神经网络的离散自编码器，Vector-Quantized Graph Auto-Encoder (VQ-GAE)，用于模拟图的分布，通过利用图神经网络的等变性、局部结构和全局结构，以离散向量化的方式将图对象映射到潜在空间中捕捉整体结构，并在图形生成方面显示出优秀的性能。

    Jun, 2023