外觀
Data Science › Deep Learning › 表示學習
表示學習 (Representation Learning)
不靠標籤、或資料不是規則網格(影像 / 序列)時,怎麼學到有用的低維表示。Autoencoder / VAE 是非線性版的降維,也是 scVI 等單細胞模型的基礎;GNN 處理以圖表示的資料(分子、PPI 網路、空間轉錄體的細胞鄰接)。
筆記
| 筆記 | 內容 | 回答的問題 |
|---|---|---|
| Autoencoder 與 VAE | 編碼 / 解碼、重建 loss、VAE 的 KL 項與重參數化、與 PCA 的關係 | 怎麼無監督地把高維資料壓成低維表示? |
| 圖神經網路 | 訊息傳遞、GCN / GAT、節點 / 邊 / 圖層級任務、PyG | 資料是圖時怎麼建模? |
和其他章節的關係
| 主題 | 位置 |
|---|---|
| 線性降維、t-SNE、UMAP | 降維 |
| 古典網路分析(中心性、社群偵測) | 網路分析 |
| VAE 在單細胞的應用(scVI) | 單細胞深度學習 |