Nov, 2015

使用深度混合玻尔兹曼机和去噪自编码器的在线半监督学习

PDF
TL;DR本文提出两种新型的深度混合架构，即深度混合玻尔兹曼机和深度混合去噪自编码器，用于处理半监督学习问题，并将其应用于数据流领域以实现终身学习，旨在提高辨别任务的整体预测性能。结果表明，与伪标注、dropout 整流器网络相比，所提出的结构具有更好的性能。
deep hybrid architecturessemi-supervised learningpredictive performancejoint learningdata-streams
发现论文，激发创造
  • 去噪自编码器中的横向连接支持监督学习

    本研究提出了一种基于深度去噪自编码器和横向连接的无监督辅助学习模型，通过反向传播同时最小化监督和无监督成本函数的总和，避免了逐层预训练，显著提高了排列不变 MNIST 分类任务的效果。

    Apr, 2015

  • 基于半监督自编码器的软测量在线主动学习方法

    本文提出了一种将主动学习方法和半监督学习结合的数据驱动软测量方法，通过正交自编码器学习低维特征，以预测化工过程中难以测量的过程变量，实验证明，在流式数据下，该方法可以选择最具信息量的数据点，与传统离线环境相比获得更好的预测表现。

    Dec, 2022

  • SeNM-VAE：具有层级变分自编码器的半监督噪声建模

    该研究提出了 SeNM-VAE，一种半监督噪声建模方法，利用配对和非配对数据集生成逼真的退化数据。通过特殊设计的图形模型对退化和清晰图像的条件分布进行建模，在变分推断框架下开发了处理配对和非配对数据的客观函数。我们将该方法应用于真实世界的图像去噪和超分辨率任务中，其合成的退化图像质量优于其他非配对和配对噪声建模方法。此外，即使在有限的配对数据的情况下，我们的方法在下游图像恢复任务中也表现出色。随着更多的配对数据，我们的方法在 SIDD 数据集上实现了最佳性能。

    Mar, 2024

  • 基于稀疏自编码的半监督学习在电话分类中的应用

    采用半监督学习方法来提高基于深度神经网络的自动语音识别中声学建模的性能，与无监督初始化后有监督微调不同，我们的方法通过小批量随机梯度下降同时利用未标记和标记数据，我们在 TIMIT 数据库上的基于帧的音素分类实验表明，该方法在等量标记数据和标准有监督训练相比表现更好，并且与基于图的半监督学习技术的最新误差率相比具有竞争力。

    Oct, 2016

  • HybridNet：半监督学习中的分类和重建协同

    本文介绍了一种新模型：HybridNet，它是一种双分支编码器 - 解码器架构，利用未标记的图像数据改善图像分类器的泛化性能。它在各种半监督设置中优于现有技术，并提出一种新的训练目标。

    Jul, 2018

  • 去噪对抗自编码器

    该研究论文介绍了一种结合去噪和正则化的对抗性自编码器方法，用于学习用于推理的有用表示，并通过实验验证其对于分类性能和样本合成的贡献。

    Mar, 2017

  • 从神经 PCA 到深度无监督学习

    提出了一种支持深度无监督学习的网络，使用编码器到解码器的侧向快捷连接来支持层次结构，并通过去噪自编码器和去噪源分离框架进行学习，以学习不变特征。

    Nov, 2014

  • 使用双自编码器网络的深度谱聚类

    本文提出了一种联合学习框架，通过使用双自编码器网络将输入嵌入到潜在空间中，利用相互信息估计从输入中提供更具区分性的信息，并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类，证明该方法在基准数据集上显著优于现有的聚类方法。

    Apr, 2019

  • 自主深度学习：基于去噪自编码器的增量式学习，处理流动数据

    该论文提出了一种可以在数据流分析中自适应构建去噪自编码器 DEVDAN，并以单次学习为基础的方法，通过网络重要性估计来自动添加或修剪输入特征，从而提高分类精度并适应不断变化的环境。

    Sep, 2018

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017