融入生物先验
该模型将锯齿连接与残差网络结合构建深层生成框架，并融入生物层次先验知识，使潜在主题在生物学通路富集上优于基线模型。
Chen, Hegang · 李青 · 饶洋辉
Briefings in Bioinformatics 2024
与基线模型相比，d-scIGM 学习到的主题在生物学通路富集上表现更佳，意味着模型捕捉到的潜在结构更具生物学意义。
通过锯齿连接和残差网络构建深层生成模型，克服了以往浅层模型的局限，增强了模型对复杂数据分布的建模能力。
模型融入生物领域的层次先验知识，提升了解释性，使结果不仅基于数据驱动，还符合已知生物学层级结构。