VampPrior 混合模型
The VampPrior Mixture Model
AI总结：
本文提出 VampPrior 混合模型（VMM），通过贝叶斯高斯混合先验改进深度潜变量模型的聚类能力，无需预先指定聚类数，在 VAE 基准数据集上表现优异，并显著提升 scVI 的 scRNA-seq 整合与细胞聚类性能。
摘要：
广泛使用的深度潜变量模型（DLVMs），尤其是变分自编码器（VAEs），在潜空间上采用了过于简单的先验。为了实现强聚类性能，现有方法将标准正态先验替换为高斯混合模型（GMM），但需要预先将聚类数量设定为接近期望的真实类别数量，并且容易受到不良初始化的影响。我们利用 VampPrior 概念（Tomczak 和 Welling，2018）来拟合贝叶斯 GMM 先验，从而得到 VampPrior 混合模型（VMM），这是一种用于 DLVMs 的新型先验。在 VAE 中，VMM 在基准数据集上取得了极具竞争力的聚类性能。将 VMM 集成到 scVI（Lopez 等，2018）这一流行的 scRNA-seq 整合方法中，显著提升了其性能，并自动将细胞排列为具有相似生物学特征的聚类。
英文摘要：
Widely used deep latent variable models (DLVMs), in particular Variational Autoencoders (VAEs), employ overly simplistic priors on the latent space. To achieve strong clustering performance, existing methods that replace the standard normal prior with a Gaussian mixture model (GMM) require defining the number of clusters to be close to the number of expected ground truth classes a-priori and are susceptible to poor initializations. We leverage VampPrior concepts (Tomczak and Welling, 2018) to fit a Bayesian GMM prior, resulting in the VampPrior Mixture Model (VMM), a novel prior for DLVMs. In a VAE, the VMM attains highly competitive clustering performance on benchmark datasets. Integrating the VMM into scVI (Lopez et al., 2018), a popular scRNA-seq integration method, significantly improves its performance and automatically arranges cells into clusters with similar biological characteristics.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
