48 lines
1.6 KiB
Markdown
48 lines
1.6 KiB
Markdown
---
|
||
title: "变分自编码器 (Variational Autoencoder, VAE)"
|
||
created: 2026-06-10
|
||
updated: 2026-06-10
|
||
type: concept
|
||
tags: ["bayesian-deep-learning", "generative-models", "variational-inference"]
|
||
sources: ["[[principled-uncertainty-clinical-ai]]"]
|
||
---
|
||
|
||
# 变分自编码器 (Variational Autoencoder, VAE)
|
||
|
||
**变分自编码器**（Kingma & Welling, 2014）是生成模型和表示学习的基石，将输入编码为潜空间中的概率分布（而非确定点），通过优化 ELBO（Evidence Lower BOund）进行训练。
|
||
|
||
## 核心公式
|
||
|
||
**编码器**：q_phi(z|x) = N(z; mu_phi(x), sigma^2_phi(x) * I)
|
||
|
||
**解码器**：p_theta(x|z)
|
||
|
||
**ELBO 目标**：
|
||
```
|
||
L(theta, phi; x) = E_{q(z|x)}[log p(x|z)] - D_KL(q(z|x) || p(z))
|
||
```
|
||
- 第一项：重构损失（期望对数似然）
|
||
- 第二项：KL 散度正则化（潜分布趋近先验 N(0,I)）
|
||
|
||
## 重参数化技巧
|
||
|
||
```
|
||
z = mu_phi(x) + epsilon * sigma_phi(x), epsilon ~ N(0, I)
|
||
```
|
||
|
||
通过将随机性隔离到 epsilon，梯度可以通过采样操作回传，实现端到端训练。
|
||
|
||
## 在临床 AI 中的应用
|
||
|
||
[[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]] 使用 VAE 作为多模态编码器的基础：
|
||
|
||
- 每个模态（EHR、影像、文本）都有独立的变分编码器
|
||
- 输出潜分布 (mu_m, sigma^2_m)
|
||
- [[precision-weighted-fusion|精度加权融合]]组合各模态的分布
|
||
- 融合后的潜分布用于临床风险预测
|
||
|
||
## 参考
|
||
- [[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]]
|
||
- [[bayesian-deep-learning|贝叶斯深度学习]]
|
||
- [[epistemic-uncertainty|认知不确定性]]
|