Skip to content

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