Comparative Analysis of MDL-VAE vs. Standard VAE on 202 Years of Gynecological Data

要約

この研究では、高次元の婦人科データを再構築するための標準自動エンコーダーに対する最小記述長（MDL）の正則化で強化された変分自動エンコーダー（VAE）の比較評価を提示します。
MDL-VAEは、効果的なKL発散の正則化によって駆動される、再構成エラー（MSE、MAE、RMSE）とより構造化された潜在表現を大幅に低下させます。
統計分析は、これらのパフォーマンスの改善が重要であることを確認しています。
さらに、MDL-VAEは一貫したトレーニングと検証の損失を示し、効率的な推論時間を達成し、その堅牢性と実用的な実行可能性を強調しています。
我々の調査結果は、MDL原則をVAEアーキテクチャに組み込むことで、データの再構成と一般化を大幅に改善し、ヘルスケアデータのモデリングと分析における高度なアプリケーションの有望なアプローチとなることを示唆しています。

要約(オリジナル)

This study presents a comparative evaluation of a Variational Autoencoder (VAE) enhanced with Minimum Description Length (MDL) regularization against a Standard Autoencoder for reconstructing high-dimensional gynecological data. The MDL-VAE exhibits significantly lower reconstruction errors (MSE, MAE, RMSE) and more structured latent representations, driven by effective KL divergence regularization. Statistical analyses confirm these performance improvements are significant. Furthermore, the MDL-VAE shows consistent training and validation losses and achieves efficient inference times, underscoring its robustness and practical viability. Our findings suggest that incorporating MDL principles into VAE architectures can substantially improve data reconstruction and generalization, making it a promising approach for advanced applications in healthcare data modeling and analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google