通过结构整合潜变量模型的不平衡数据无监督学习

ICLRJun, 2016

通过结构整合潜变量模型的不平衡数据无监督学习

Unsupervised Learning with Imbalanced Data via Structure Consolidation Latent Variable Model

Fariba Yousefi, Zhenwen Dai, Carl Henrik Ek, Neil Lawrence

TL;DR提出一种分割潜在空间的混合变量模型，基于高斯过程潜在变量模型提出一种新的核函数，并构建出高效的变分推理方法以应对不平衡数据。在不平衡的医学图像数据集上进行实验，证明该模型具有良好的性能。

Abstract

unsupervised learning on imbalanced data is challenging because, when given imbalanced data, current model is often dominated by the major

unsupervised learning imbalanced data latent variable model gaussian process latent variable models medical image dataset

发现论文，激发创造

对比潜变量模型的无监督学习

本文提出了一种基于概率模型的降维方法，通过在目标数据集和背景数据集之间寻找信号富集的模式，能够恢复目标数据集中潜在空间中的有趣结构，并可应用于去噪、特征选择和子组发现等领域。

Nov, 2018

通用图形模型的隐变量结构化预测效率

本文提出了一个有潜在变量的结构化预测的统一框架，包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近，在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果，比潜在结构支持向量机和隐藏条件随机场方法要好。

Jun, 2012

基于损失学习的潜变量不确定性建模

该研究提出了一种基于条件分布和 delta 分布的参数估计框架，通过最小化基于损失函数的不相似系数来促进两个分布的协同。该方法在两个挑战性问题 - 目标检测和动作检测上获得了良好的效果。

Jun, 2012

利用结构提高分类偏置数据的准确性

通过假设在分组不可知的特征空间中分组投影的类条件不变性，我们提出了一种在半监督学习中利用数据内在分组结构来优化分类器的方法，从而可以提高 ROC 曲线下面积。

Dec, 2022

从信息理论的角度构建生成模型框架，学习有结构的潜在因子和相关数据

本文提出了一种新的框架来学习具有所需结构属性的多元数据的可控和通用表示，该模型利用图模型中的掩码变量表示归纳偏置，并扩展多元信息瓶颈理论来强制执行结构依赖性，从而提供原则性方法来学习一组语义上有意义的潜在因素，其反映了各种类型的期望结构，如捕获相关性或编码不变性。同时还提供了自动估计数据中依赖关系的灵活性，该框架统一了许多现有的生成模型，并可应用于各种任务，包括多模态数据建模、算法公平性和不变风险最小化。

Jul, 2020

多视角隐变量模型中编码领域知识：基于结构稀疏贝叶斯方法

提出了一种基于修改的马蹄铁先验的多视图潜变量模型 MuVI，该模型能够在整个分析过程中将有限和嘈杂的领域知识融合到模型中，并且在癌症患者真实多视图数据集中推断出可解释和具有生物学意义的变异轴。

Apr, 2022

结构化解耦表征

本研究提出了一种两级分层目标函数来控制变量块和块内个体变量之间的相对统计独立程度，以通过非监督学习从高维数据中学习无监督表示，实验结果显示该目标函数可以解开离散变量，并提高其他变量的解开程度和泛化能力。

Apr, 2018

流形相关性确定

本文提出了一种全贝叶斯潜在变量模型，利用条件非线性独立结构学习高效的潜在表示；该模型能够捕捉极高维空间下的结构，可用于建模大规模未加工的图像，并通过从训练模型中的潜在空间中采样直接生成新图像；同时也演示了该模型在人体姿势预测中的应用，贝叶斯框架能够以一种合理的方式进行消岐，以包含数据动态特性的潜在空间先验。

Jun, 2012

高维点过程结构缺失的潜变量模型

我们提出了一个灵活高效的潜变量模型，利用高斯过程捕捉样本与相关缺失模式之间的时间相关性，并构建可变分自动编码器模型来处理高维度、结构化缺失模式和未知随机过程等数据挑战。

Feb, 2024

高斯过程潜变量模型中的模型崩溃预防

本文通过理论分析证明了投影方差对模型崩溃的影响，并通过集成频谱混合核和可微分的随机傅里叶特征核逼近解决了内核灵活性不足导致的模型崩溃问题。提出的 GPLVM 模型在各种数据集上都取得了优异的表现，在信息丰富的潜在表示和缺失数据插补方面超越了各种竞争模型，包括最先进的变分自编码器和 GPLVM 变体。

Apr, 2024