초록
광범위하게 사용되는 깊은 잠재 변수 모델(DLVMs), 특히 변분 오토인코더(VAEs)는 잠재 공간에 대해 지나치게 단순한 사전 확률 분포를 사용합니다. 강력한 클러스터링 성능을 달성하기 위해, 표준 정규 분포 대신 가우시안 혼합 모델(GMM)을 사용하는 기존 방법들은 예상되는 실제 클래스 수와 유사한 클러스터 수를 사전에 정의해야 하며, 부적절한 초기화에 취약합니다. 우리는 Tomczak과 Welling(2018)이 제안한 VampPrior 개념을 활용하여 베이지안 GMM 사전 확률 분포를 적합시키고, 이로 인해 새로운 DLVM 사전 확률 분포인 VampPrior 혼합 모델(VMM)을 개발하였습니다. VAE에서 VMM은 벤치마크 데이터셋에서 뛰어난 클러스터링 성능을 보입니다. VMM을 scVI(Lopez 등, 2018)라는 인기 있는 단일 세포 RNA 시퀀싱(scRNA-seq) 통합 방법에 통합하면, 그 성능이 크게 향상되고 자동으로 유사한 생물학적 특성을 가진 세포들을 클러스터로 배치할 수 있습니다.