SepVAE: a contrastive VAE to separate pathological patterns from healthy ones

要約

対照分析 VAE (CA-VAE) は、バックグラウンド データセット (BG) (つまり、健康な被験者) とターゲット データセット (TG) (つまり、健康な被験者) の間の変動の共通因子を分離することを目的とした変分オート エンコーダー (VAE) のファミリーです。
、患者）など、ターゲット データセットにのみ存在するものから抽出されます。
これを行うために、これらのメソッドは、潜在空間を一連の顕著な特徴 (つまり、ターゲット データセットに固有) と一連の共通特徴 (つまり、両方のデータセットに存在) に分離します。
現在、すべてのモデルは、潜在空間間の情報の共有を効果的に防止できず、すべての顕著な変動要因を捉えることができません。
この目的を達成するために、2 つの重要な正則化損失を導入します。1 つは共通表現と顕著表現の間のもつれ解除項、もう 1 つは顕著空間内の背景サンプルとターゲット サンプルの間の分類項です。
3 つの医療アプリケーションと自然画像データセット (CelebA) で、以前の CA-VAE 手法よりも優れたパフォーマンスを示しました。
コードとデータセットは、GitHub https://github.com/neurospin-projects/2023_rlouiset_sepvae で入手できます。

要約(オリジナル)

Contrastive Analysis VAE (CA-VAEs) is a family of Variational auto-encoders (VAEs) that aims at separating the common factors of variation between a background dataset (BG) (i.e., healthy subjects) and a target dataset (TG) (i.e., patients) from the ones that only exist in the target dataset. To do so, these methods separate the latent space into a set of salient features (i.e., proper to the target dataset) and a set of common features (i.e., exist in both datasets). Currently, all models fail to prevent the sharing of information between latent spaces effectively and to capture all salient factors of variation. To this end, we introduce two crucial regularization losses: a disentangling term between common and salient representations and a classification term between background and target samples in the salient space. We show a better performance than previous CA-VAEs methods on three medical applications and a natural images dataset (CelebA). Code and datasets are available on GitHub https://github.com/neurospin-projects/2023_rlouiset_sepvae.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google