동적 정책 그라디언트를 통한 이산 잠재 구조의 생성 모델링
Generative Modeling of Discrete Latent Structures via Dynamic Policy Gradients
많은 과학적 문제는 간접적인 관측으로부터 관측되지 않은 기계론적 잠재 상태를 추론(inference)해야 합니다. 기댓값 최대화(expectation maximization)를 포함한 고전적 접근법은 조합적으로 거대한 공간에는 대응하기 어렵지만, 변분 오토인코더(variational autoencoders)와 같은 심층 학습(deep learning) 접근법은 기계론적 실제 상태(ground-truth states)를 재구성하기보다는 일반적으로 인위적인 잠재 상태를 형성합니다. 본 연구에서는 동적으로 재조정된 보상을 사용하여 관측 데이터 가능도(likelihood)를 최대화하는 잠재 상태 분포를 학습하는 정책 학습(policy learning) 프레임워크인 GReinSS를 소개합니다. GReinSS는 시뮬레이션된 잠재 집합과 잠재 그래프를 정확하게 재구성하며, 대안적인 정책 학습 및 생성 모델링 기준선(baselines)보다 우수한 성능을 보여줍니다. 또한, GReinSS는 실제 단독 판독(short-read) RNA 시퀀싱 데이터로부터 아이소폼(isoforms)을 재구성하며, 이는 표준 RSEM 알고리즘보다 직교하는 장독 판독(long-read) 시퀀싱으로 검출된 아이소폼과 더 잘 일치합니다. 전반적으로 GReinSS는 간접적인 관측으로부터 조합적 잠재 상태의 생성 모델링 및 추론(inference)을 위한 이론적으로 타당하고 실제로 효과적인 접근법입니다.