DE-VAE: Unsicherheit in parametrischen und inversen Projektionen mit VAEs

Autoencoder erfreuen sich zunehmender Beliebtheit, wenn es darum geht, mehrdimensionale Daten in kompakte, parametrisierte und invertierbare Projektionen zu überführen. Solche Projektionen ermöglichen es, neue, bislang unbekannte Stichproben ohne erneute Berechnung einzubetten oder neue Datenpunkte aus dem eingebetteten Raum zu generieren. Ein Problem bleibt jedoch: Bestehende Ansätze verhalten sich bei Ausreißern oder Daten außerhalb der Trainingsverteilung oft unzuverlässig.

Die neue Methode DE‑VAE (Differential‑Entropy Variational Autoencoder) adressiert dieses Problem, indem sie Unsicherheit explizit berücksichtigt. Durch die Einbindung der Differentialentropie lernt das Modell nicht nur die zweidimensionale Projektion, sondern auch deren Inverse, während gleichzeitig die Unsicherheit im Embedding-Raum quantifiziert wird.

In einer umfangreichen Evaluation wurden vier etablierte Datensätze verwendet und die Leistung von DE‑VAE mit den gängigen Baselines UMAP und t‑SNE verglichen. Die Ergebnisse zeigen, dass DE‑VAE parametrisierte und inverse Projektionen mit einer Genauigkeit erzielt, die den aktuellen AE‑basierten Ansätzen entspricht, und darüber hinaus die Möglichkeit bietet, die Unsicherheit der eingebetteten Punkte zu analysieren.

Durch die Kombination aus hoher Genauigkeit und Unsicherheitsbewertung liefert DE‑VAE einen wichtigen Fortschritt für Anwendungen, die robuste, verlässliche Projektionen benötigen – insbesondere bei Daten, die außerhalb der bekannten Verteilung liegen.