ICLRNov, 2016

高斯混合变分自编码器的深度无监督聚类

PDF
TL;DR我们研究了一个变分自编码器模型（VAE）的变体，其中高斯混合作为先验分布，通过深生成模型实现无监督聚类，通过最小信息约束启发式，缓解了过度正则化问题，并在合成数据、MNIST 和 SVHN 上证明了模型的性能。
variational autoencodergaussian mixtureunsupervised clusteringminimum information constraintdeep generative models
发现论文，激发创造
  • 使用高斯混合变分自编码器从分子模拟中生成可解释的嵌入

    本研究论文介绍了使用 Gaussian mixture variational autoencoder（GMVAE）进行分子模拟数据的降维和聚类，以及其在构建 Markov 状态模型方面的潜在应用。

    Dec, 2019

  • 使用自编码器混合进行深度无监督聚类

    本文提出了一种新的无监督聚类方法，使用自编码器混合模型来识别和分离数据中的低维非线性流形，并通过神经网络同时学习每个聚类簇的潜在流形结构。

    Dec, 2017

  • 无监督聚类的变分信息瓶颈：深度高斯混合嵌入

    本文提出了一种无监督的生成性聚类框架，将变分信息瓶颈和高斯混合模型相结合。使用变分信息瓶颈方法将潜空间建模为高斯混合物，并导出了一个代价函数的界限，并提供了一种可计算它的变分推断类型算法。通过神经网络参数化编码器映射，并通过蒙特卡罗采样逼近边界，并用随机梯度下降进行优化。提供了真实数据集的数值结果，证明了我们方法的有效性。

    May, 2019

  • 使用高斯混合 VAEs 进行游戏关卡聚类与生成

    本文介绍了应用高斯混合变分自编码器 (Gaussian Mixture VAEs) 生成游戏关卡的方法，该方法可以无需人工干预地将关卡按照特征进行聚类，并生成具有期望特征的新关卡。实验结果表明，学习到的关卡组成元素可以有效地发现与聚类关卡结构和模式。

    Aug, 2020

  • 变分深度嵌入：无监督生成聚类的方法

    提出了一种无监督生成聚类方法 Variational Deep Embedding (VaDE)，使用高斯混合模型和神经网络来建模数据生成过程，并在 VaDE 中使用变分推断实现更好的聚类效果，并可生成高度逼真的样本，更广泛的混合模型也可以轻松集成。

    Nov, 2016

  • 变分自编码器中学习潜在子空间

    本文提出了一种基于变分自编码器的生成模型，使用互信息最小化学习与每个标签相关的低维潜空间，并展示了其在特征操作上的实用性。

    Dec, 2018

  • 变分自编码器的一致性正则化

    本文提出了一种正则化方法来强制 Variational Auto-Encoder 的一致性，通过最小化 Kullback-Leibler（KL）散度来实现；实验结果表明该方法可以改善学习表征的质量并提高其泛化能力。

    May, 2021

  • 使用混合高斯变分自编码器抵抗对抗攻击

    本文介绍了一种利用变分自编码器 (VAE) 来解决深度神经网络 (DNN) 易受到针对性攻击的问题的方法，其关键是将鉴别模型与生成模型相结合，在先验分布中进行选择性分类，从而提高分类的准确性。

    May, 2018

  • 高斯过程先验变分自编码器

    本文研究了一种新的模型 Gaussian Process Prior Variational Autoencoder (GPPVAE)，结合了 VAEs 和具有 GP priors 关联特性的能力，解决了 VAEs 假设的潜在样本表示是独立并且同分布的假设不够强的问题，并利用协方差矩阵中的结构，介绍了一种新的随机反向传播策略，达到了分布式和低内存计算随机梯度的目的，实验证明该方法可以在两个图像数据应用程序中优于 conditional VAEs (CVAEs) 和标准 VAEs。

    Oct, 2018

  • 无限变分自编码器用于半监督学习

    本文提出了一种基于混合模型和狄利克雷过程的无限变分自编码器，其容量能够适应输入数据，从而使得自动编码器数量能够根据数据自动变化，实验结果表明该方法在半监督学习中具有很高的灵活性。

    Nov, 2016