論文の概要: VampPrior Unleashed

• arxiv url: http://arxiv.org/abs/2610.27322v1
• Date: Mon, 19 Oct 2026 21:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.520853
• Title: VampPrior Unleashed
• Title（参考訳）: VampPriorが公開
• Abstract要約: 深潜時変数モデル(DLVM)は、例えばシングルセルゲノミクスにおいて、多くの現代的な分析パイプラインの基盤となっている。 VampPriorは最適な先行(集合体後部)を近似し、しばしば高いモデル証拠を得る。 ここでは、VampPriorの2つの重要な制限を識別する。これは、1つの償却された共分散とクラスタの不確かさに事前および後続の不確かさを結び付ける。
• 参考スコア（独自算出の注目度）: 1.6566053195631467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep latent variable models (DLVMs) underpin many modern analysis pipelines, for example in single-cell genomics, yet their prior distributions have received markedly little attention. The VampPrior approximates the optimal prior (the aggregate posterior) and often attains high model evidence. Here, we identify two key limitations of the VampPrior: it ties prior and posterior uncertainty to a single amortized covariance and clusters poorly due to its fixed uniform mixture weights. We unleash the VampPrior by decoupling its prior and posterior covariances, resolving the conflict of generating high prior and low posterior entropy with the same shared parameters and substantially improving model evidence. We then replace the uniform mixture with a Dirichlet process. When combined, our proposals provide higher model evidence than the VampPrior and robust non-parametric clustering. Augmenting single cell Variational Inference (scVI) with our prior improves single-cell integration and clustering across six atlases while significantly raising model evidence. Our approach changes only the prior and thus can be applied to any DLVM with a continuous latent space.
• Abstract（参考訳）: 深潜時変数モデル(DLVM)は、例えばシングルセルゲノミクスなど、多くの現代の分析パイプラインの基盤となっているが、以前の分布はあまり注目されていない。 VampPriorは最適な先行(集合体後部)を近似し、しばしば高いモデル証拠を得る。 ここでは、VampPriorの2つの重要な限界を同定する。これは、1つの償却された共分散と、その固定された均一な混合重みによるクラスターとの事前および後続の不確かさを結びつける。 我々は、VampPriorを、その前と後の共分散を分離し、同じ共有パラメータで高い前と後のエントロピーを生成する競合を解消し、モデルエビデンスを大幅に改善することで、解き放つ。 次に、均一混合物をディリクレ過程に置き換える。 我々の提案は、VampPriorやロバストな非パラメトリッククラスタリングよりも高いモデルエビデンスを提供する。 単細胞変異推論(scVI)を先行して強化することにより、6つのアトラスにまたがる単細胞統合とクラスタリングが向上し、モデル証拠が著しく増大する。 我々のアプローチは前もって変化し、連続的な潜在空間を持つどんなDLVMにも適用できます。

関連論文リスト

• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• The VampPrior Mixture Model [0.8440673378588488]
  我々は、Vamp Prior Mixture Model(VMM)と呼ばれる、深層潜伏変数モデル(DLVM)の新規な事前開発を行う。 VAEでは、VMMはベンチマークデータセット上で非常に競争力のあるクラスタリング性能を達成する。
  論文  参考訳（メタデータ） (2024-02-06T21:18:34Z)
• Improving Variational Autoencoders with Density Gap-based Regularization [16.770753948524167]
  変分オートエンコーダ(VAE)は、潜時表現学習と潜時指向生成のためのNLPにおける強力な非教師なし学習フレームワークの1つである。 実際には、ELBoの最適化は、全ての試料の後方分布を同じ分解された局所最適値、すなわち後崩壊またはKL消滅に収束させる。 本稿では, 階層化後分布と先行分布との確率的密度ギャップに基づく新しい正規化により, 両問題に対処する新たな学習目標を提案する。
  論文  参考訳（メタデータ） (2022-11-01T08:17:10Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• Loss function based second-order Jensen inequality and its application to particle variational inference [112.58907653042317]
  粒子変分推論(PVI)は、後部分布の実験的近似としてモデルのアンサンブルを用いる。 PVIは、最適化されたモデルの多様性を保証するために、各モデルを反発力で反復的に更新する。 我々は,新たな一般化誤差を導出し,モデルの多様性を高めて低減できることを示す。
  論文  参考訳（メタデータ） (2021-06-09T12:13:51Z)
• A Contrastive Learning Approach for Training Variational Autoencoder Priors [137.62674958536712]
  変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。 VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。 本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
  論文  参考訳（メタデータ） (2020-10-06T17:59:02Z)
• A Batch Normalized Inference Network Keeps the KL Vanishing Away [35.40781000297285]
  変分オートエンコーダ(VAE)はモデルの後続変数を近似するために広く用いられている。 VAEはしばしば「後崩壊」と呼ばれる退化した局所最適値に収束する
  論文  参考訳（メタデータ） (2020-04-27T05:20:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。