生成分布埋め込み：オートエンコーダーを分布空間に引き上げ、マルチスケール表現学習を実現

科学分野:

• 機械学習
• 計算生物学
• 生成モデル

背景:

• 多くの科学的課題では、孤立したデータポイントではなく、データ分布全体を分析する必要があります。
• 既存のモデルは、複雑なデータセットにわたるマルチスケール推論に苦労することがよくあります。
• 分布から学習し、それを表現できる高度なフレームワークが必要です。

研究 の 目的:

• オートエンコーダーをデータ分布の空間に拡張するための新しいフレームワークである生成分布埋め込み（GDE）を導入します。
• 条件付き生成モデルと分布的 invariance を使用して、堅牢な分布的表現の学習を可能にします。
• GDEが本質的な統計的特性を捉え、意味のある潜在空間操作を可能にする能力を実証します。

主な方法:

• エンコーダーがサンプルのセットを処理し、デコーダーが入力分布に一致するジェネレーターに置き換えられるフレームワーク（GDE）を開発しました。
• 分布的 invariance を満たすエンコーダーネットワークを備えた条件付き生成モデルを組み込みました。
• 予測的な十分統計量を学習するためにワッサースタイン空間埋め込みを利用しました。

主要な成果:

• GDEは、距離がワッサースタイン（W2）距離に近似し、ガウス分布の最適輸送軌道を回復する補間が行われる潜在表現を学習します。
• 合成データセットでの体系的なベンチマークは、既存の方法と比較して優れたパフォーマンスを示します。
• 単一細胞ゲノミクス、トランスクリプトミクス、タンパク質配列解析を含む6つの多様な計算生物学問題にGDEを適用し、成功を収めました。

結論:

• GDEは、確率分布を学習および表現するための強力な方法を提供し、既存のアプローチを上回っています。
• このフレームワークは、大規模で複雑な生物学的データ分析を可能にすることにより、計算生物学の進歩に大きな可能性を示しています。
• GDEは、分布的推論を必要とするさまざまな科学分野に役立つ汎用ツールを提供します。