SepVAE：一种对比VAE，用于将病理模式与健康模式分离开来

SepVAE: a contrastive VAE to separate pathological patterns from healthy ones

解决问题：在提出一种新的对比VAE方法（CA-VAEs），以将健康数据集与患者数据集中的病理模式区分开来。目前，现有的模型难以有效地防止信息在潜在空间之间共享，并捕捉所有显著的变化因素。

关键思路：该方法将潜在空间分为显著特征集（即仅适用于目标数据集）和公共特征集（即存在于两个数据集中）。为了实现这一目标，论文提出了两个关键的规则化损失：在共同表示和显著表示之间的解缠绕项以及在显著空间中的背景和目标样本之间的分类项。相比于当前领域的研究状况，提出了一种新的解决方案，能够更好地区分健康数据与病理数据。

其他亮点：在三个医学应用和一个自然图像数据集（CelebA）上展示了比以前的CA-VAEs方法更好的性能。代码和数据集可以在GitHub上获得。

相关研究：近期其他相关的研究包括：1）"Variational Autoencoder for Semi-Supervised Anomaly Detection"，作者为Tianyu Pang，Jiaming Mu和Shuai Li，机构为华南理工大学；2）"Contrastive Learning for Medical Visual Question Answering"，作者为Yunqiu Xu，Zhengtao Jiang和Weimin Zhou，机构为南京大学。

摘要：SepVAE：一种对比VAE以区分病理模式和健康模式。Robin Louiset，Edouard Duchesnay，Antoine Grigis，Benoit Dufumier，Pietro Gori。对比分析VAE（CA-VAEs）是一类变分自编码器（VAEs），旨在将背景数据集（BG）（即健康受试者）和目标数据集（TG）（即患者）之间的共同变异因素与仅存在于目标数据集中的因素分离开来。为此，这些方法将潜在空间分为一组显著特征（即专属于目标数据集）和一组共同特征（即存在于两个数据集中）。目前，所有模型都未能有效防止潜在空间之间的信息共享并捕获所有显著变异因素。为此，我们引入了两个关键的正则化损失：常见和显著表示之间的解缠绕项以及显著空间中背景和目标样本之间的分类项。我们展示了在三个医疗应用和一个自然图像数据集（CelebA）上比以前的CA-VAEs方法表现更好。代码和数据集可在GitHub上获得https://github.com/neurospin-projects/2023rlouisetsepvae。