Jun, 2023

通过通路活性自编码器在深度学习模型中融合先验知识

PDF
TL;DR本研究提出了一种基于先验知识的深度自编码框架（PAAE）及其生成变体（PAVAE），用于 RNA-seq 在癌症中的数据。通过与其他学习模型的比较，我们证明了 PAAE 和 PAVAE 模型不仅具有更好的重构结果，而且在分类任务中比有全面输入基因集的模型产生更好的结果，并对模型进行了全面的可解释性分析，从而提高了转化医学的预测能力。
computational analysisbiological pathwaysrna-seq datadeep auto-encoding frameworktranslational medicine
发现论文，激发创造
  • 探索潜在路径：用变分自编码器提高自动驾驶的可解释性

    自动驾驶中引入了一种基于生物启发的神经回路策略模型，整合了变分自编码器，提供了一种直接从输入摄像头图像生成转向命令的解决方案，并通过自动潜在扰动工具提高了系统的可解释性。该研究证明了变分自编码器 - 神经回路策略模型的解释能力，以及自动潜在扰动工具在提高自动驾驶系统内部工作透明度方面的实用性。

    Apr, 2024

  • 高级条件变分自编码器（A-CVAE）：通过解离潜在特征表示进行开放领域对话生成解释的探索

    本研究旨在通过介绍一种认知方法，利用先前的知识驱动生成模型，实现在中尺度特征分离中调节潜在变量，使得深度学习的开放领域对话系统可以生成更高质量和更可解释性的对话。

    Jul, 2022

  • 使用 pi-VAE 学习高维神经活动的可识别和可解释潜变量模型

    论文提出了 pi-VAE 这一将潜在变量模型和神经编码模型相结合的新方法，用于分析神经元群体响应数据，并通过合成和实验数据在大鼠海马和恒河猴运动皮层数据集中进行了验证，证明了该方法具有更好的拟合功效和可解释性，可以为神经编码结构提供新的见解。

    Nov, 2020

  • 使用高斯混合变分自编码器从分子模拟中生成可解释的嵌入

    本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

    Dec, 2019

  • 癌症生物信息学深度学习模型的系统评估：癌症数据编码和解释的基本趋势

    对 42 篇研究进行了系统综述，旨在讨论深度学习模型如何支持癌症生物学的推理，并重点关注多组学分析。我们介绍了一种称为生物中心可解释性的概念，并根据其分类方法讨论了在这些模型中整合领域先验知识的表征方法。分析表明，编码先验知识和改进解释性之间存在趋同性，这是深度学习模型形式化生物解释性和发展不那么特定于问题或应用的方法的重要一步。

    Jul, 2022

  • PCAAE：主成分分析自编码器用于生成网络的潜空间组织

    提出了一种新的自编码器（PCAAE），它能够无监督地将数据的内在属性分离成潜空间的不同组成部分，达到了解决深层生成模型中的潜变量空间问题的目的。与其他最先进的方法相比，PCAAE 的能力更好，在潜空间中解开属性的存在，实现了属性的分离。

    Jun, 2020

  • EvoAAA: 一种用于自动神经自编码器架构搜索的进化方法

    该论文提出了一种基于进化方法的自动化自编码器架构搜索过程，通过测试证明了该方法在九个异构数据集上的可行性和较好的结果。

    Jan, 2023

  • CAVACHON：一种用于整合多模态单细胞数据的分层变分自编码器

    提出了一种新颖的概率学习框架，该框架明确地将多模态数据之间的条件独立关系作为一个有向无环图来考虑，用于集成单细胞多组学数据。

    May, 2024

  • ViT-DAE：基于 Transformer 的扩散自编码器用于组织病理学图像分析

    本文介绍了一种基于 ViT 深度学习模型和 Denoising Diffusion 自编码器的新型方法 ViT-DAE，用于高质量的组织病理学图像合成，实验表明 ViT-DAE 比最近的基于 GAN 和原始 DAE 方法更能生成逼真的图像。

    Apr, 2023

  • 可学习先验改进逆向肿瘤生长建模

    通过结合生物物理建模、偏微分方程、逆问题解决和深度学习等方法，提出了一种新颖的框架，用于在磁共振图像中从脑肿瘤细胞集中估计中发挥作用的快速深度学习算法和高精度进化策略以加速收敛和获得 95% 的 Dice 系数。

    Mar, 2024