ICMLJul, 2023

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

PDF
TL;DR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。
high-dimensional clinical datavariational autoencodersgenetic association studiespolygenic risk predictionfactorvae
发现论文，激发创造
  • 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

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017

  • 因式分解解开纠缠

    我们提出了一种被称为 FactorVAE 的方法，它可以无监督地学习从独立变化因素生成的数据中发现因素解耦的表示，并通过提供更好的解耦和重构质量之间的平衡得到改进。此外，我们还介绍了一个新的解耦评估度量，并阐明了常用的解耦评估度量存在的问题。

    Feb, 2018

  • 无监督学习序列数据的分离和可解释表示

    本文提出一种分解的分层变分自动编码器，能够在无监督的情况下从序列数据中学习分离和可解释的表征。该模型基于多尺度信息的分层结构，实现了针对不同潜变量集合的序列依赖先验和序列无关先验。通过在两个语音语料库上的实验，表明该模型能够通过操纵不同的潜变量集合来转换说话人或语言内容，并在说话人验证和自动语音识别任务中优于基线模型。

    Sep, 2017

  • 使用无监督深度学习进行早期视觉概念学习

    本文提出了一种基于无监督学习、从神经科学中获得灵感的方法，利用变分自编码器对图像数据进行学习，从而获得解耦表示。该方法可以使神经科学的研究成果得以应用到实际中，同时还有零样本推理和直观理解的优点。

    Jun, 2016

  • 生物医学中的标签稀缺问题：数据丰富的潜在因子发现提升表型预测

    从英国生物库人群数据集中派生低维嵌入空间可用于改善具有可观数据稀缺性的特定疾病的监督估计器，这会对各种医学数据科学应用程序产生重要影响。

    Oct, 2021

  • Bayes-Factor-VAE: 基于层级贝叶斯方法的深度自动编码器模型用于因素解缠

    提出了一种名为 Bayes-Factor-VAEs 的新型层级贝叶斯深度自编码器模型，使用长尾分布对数据的可变因素进行因子分离，可以在几个基准测试中量化和定性地优于现有方法。

    Sep, 2019

  • 变分自编码器中学习潜在子空间

    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

  • 多层变分自编码器：从分组观察中学习解耦表示

    提出了 Multi-Level Variational Autoencoder 用于学习语义上相关并解耦的潜变量表示，将工作集中在组别和个体水平上的同时保持高效的测试时推理，以便对相关变量进行无监督控制。

    May, 2017

  • 基于图神经网络的概率生成模型在疾病基因预测中的应用

    本文研究使用 VGAE 和 C-VGAE 作为无监督的方法，利用图神经网络进行疾病 - 基因关联网络的潜在嵌入表示，进而解决疾病 - 基因预测问题，结果表明 VGAE 和 C-VGAE 方法具有很好的性能

    Jul, 2019