研究使用 Influential Features PCA (IF-PCA) 方法,通过选取 Kolmogorov-Smirnov(KS)得分最高的小部分特征,利用 k-means 算法估计标签来解决聚类问题,特别针对”p>>n” 现代情况中,传统聚类方法面临的挑战以及基因微阵列数据集中的错误率高问题,其在 10 个基因微阵列数据集中表现出竞争性较强的聚类效果,并在文中发现了关于实证零的现象以及三个数据集中”IF-PCA” 错误率极低的结果。
Jul, 2014
无需任何标签或信号特定知识,我们提出了一种新颖的无监督方法来检测临床标准分钟级分辨率 ICU 数据中的伪迹,该方法结合了变分自动编码器(VAE)和孤立森林(iForest)模型来学习特征并识别不同类型的生命体征异常,例如血压、心率和颅内压。我们在实际 ICU 数据集上评估了我们的方法,并将其与基于长期短期记忆(LSTM)和 XGBoost 的监督模型进行了比较。我们证明了我们的方法实现了可比较的敏感性,并且在外部数据集上具有很好的泛化能力。我们还可视化了 VAE 学习到的潜在空间,并展示了它区分干净和噪声样本的能力。我们的方法为清洁临床研究和实践中的 ICU 数据提供了有希望的解决方案。
Dec, 2023
使用变分自动编码器进行监督学习的深度学习细胞特征提取模型,用于从多重免疫荧光细胞图像中提取细胞特征,并通过对乳腺癌患者的 1,093 个组织微阵列核心中提取的超过 44,000 个多重免疫荧光细胞图像块进行细胞表型分类来验证其成功。
Jun, 2024
线性主成分分析、非线性主成分分析、线性独立成分分析、子空间不确定性和神经模型
Nov, 2023
本文研究了基于 KMeans 算法的聚类过程作为反问题的特殊情况,探索了通过主成分分析来改进聚类反问题质量的尝试,并比较了两种定量特征选择方法之间的关系。使用神经科学数据库中的功能性磁共振成像范例来验证结果。
Nov, 2022
通过展开瓶颈层,逐步将信息传递给解码器,Beta-VAE 模型实现了对解耦表示的学习。我们的实验表明,潜变量的总数对学习到的表示有影响,潜变量的数量少时,网络学习到的是最重要或主要的变量,而随着潜变量的数量增加,这些变量越来越解耦,表现为独立成分分析。我们认为这是由于潜变量之间的竞争导致了信息带宽的现象。
Mar, 2023
本文提出了一种基于变分自编码器的生成模型,使用互信息最小化学习与每个标签相关的低维潜空间,并展示了其在特征操作上的实用性。
Dec, 2018
该论文研究了变分自编码器(VAE)在学习可解释的表示和生成建模方面的出色表现,提供了对其良好性能的解释,阐明了该架构中解码器的局部正交性,从而促进重构和正交性之间的平衡。
该论文研究通过因式分解先验分布的方法实现对观察变量和潜在变量的真实联合分布的识别,从而实现了对深度潜在变量模型的拆分,论文中提出了一种新的非线性独立成分分析框架,该框架同时适用于具有噪音、欠完备或离散观测的情况。
Jul, 2019
本文介绍了一种基于深度神经网络的鲁棒自编码器模型,该模型可以对数据进行异常检测,并能够学习捕获大多数数据点的非线性子空间。
Apr, 2017