Nov, 2016

变分深度嵌入：无监督生成聚类的方法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 高斯混合变分自编码器的深度无监督聚类

    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。

    Nov, 2016

  • 基于卷积自编码嵌入和相对熵最小化的深度聚类

    该研究提出了一种名为DEPICT的新型深度嵌入式正则化聚类模型，该模型使用多层卷积自编码器和多项式 logistic 回归函数，通过相对熵最小化方法实现效率和精确性高效的数据映射和聚类分配，可以在无标签数据进行超参数调整的真实世界聚类任务中发挥其优越性和更快的运行时间。

    Apr, 2017

  • 多层变分自编码器：从分组观察中学习解耦表示

    提出了Multi-Level Variational Autoencoder用于学习语义上相关并解耦的潜变量表示，将工作集中在组别和个体水平上的同时保持高效的测试时推理，以便对相关变量进行无监督控制。

    May, 2017

  • 变分自编码器中学习潜在超结构用于深层多维聚类

    我们研究了一种变分自编码器的变体，其中顶层离散的潜变量是一个超结构。我们的超结构是多个超级潜变量的树结构，并且可以自动从数据中学习。与以往的深度学习方法不同，LTVAE可以生成多个数据分区，每个分区都由一个超级潜变量给出。这是由于高维数据通常具有许多不同的自然方面，可以用多种方式进行有意义的划分。

    Mar, 2018

  • 深度生成模型中的测地线聚类

    该论文提出了一种考虑生成模型的几何特性的算法，它可以使得在潜变量表示中使用简单的聚类算法更加有效，同时提出了一种新的用于建模变分自编码器中不确定性的架构。实验表明，此算法能够反映数据的内部结构。

    Sep, 2018

  • MAE：变分自编码器的相互后验分歧正则化

    本文介绍了一种新的正则化方法 mutual posterior-divergence regularization，用于控制潜空间的几何结构，从而实现有意义的表征学习，并在三个图像基准数据集上取得了良好的表现。

    Jan, 2019

  • 自然聚类下的鲁棒表征学习和解排

    我们提出N-VAE，一种深度模型，能够检测和区分不同类别之间独有和共享的可变因素，并生成包含训练数据中看不到特征的人工样本。

    Jan, 2019

  • 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

  • 通过保持局部性的变分判别网络学习强大的聚类表示

    本文提出了一种改进的联合学习框架，包括强鲁棒性嵌入判别器和局部结构约束，来改善VaDE聚类方法的两个问题。实验结果表明，我们的方法在各种基准数据集上表现优于现有模型，并且对抗输入具有极强的稳健性，可实际应用于实践。

    Dec, 2020

  • 树形变分自编码器

    提出了一种新的生成分层聚类模型——Tree Variational Autoencoder（TreeVAE），它能够分层地划分样本并发现数据中潜在结构，并利用树形结构中的叶子节点解码器提高了生成性能。TreeVAE在不同的数据集上表现出了较高的对数似然下界，并且通过条件采样能够从聚类中生成新的样本。

    Jun, 2023