IJCAINov, 2016

变分深度嵌入：无监督生成聚类的方法

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。
clusteringunsupervised learninggenerative modelneural networkvariational inference
发现论文，激发创造
  • 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

  • 针对具有鲁棒性的半监督学习的对抗变分嵌入

    我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

    May, 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

  • 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

  • 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

  • 变分图自编码器

    本文提出可变图自编码器 (VGAE) 框架，用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量，能够学习图的可解释的潜在表示。在引文网络的链接预测任务中，我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比，我们的模型可以自然地融入节点特征，从而在许多基准数据集上显著提高预测性能。

    Nov, 2016

  • 使用无监督深度学习进行早期视觉概念学习

    本文提出了一种基于无监督学习、从神经科学中获得灵感的方法，利用变分自编码器对图像数据进行学习，从而获得解耦表示。该方法可以使神经科学的研究成果得以应用到实际中，同时还有零样本推理和直观理解的优点。

    Jun, 2016

  • 变分自编码深度高斯过程

    通过与一个识别模型相结合，我们开发了一个可扩展的深度非参数生成模型。在利用多层感知器的变分框架下，我们重新参数化变分后验分布，并推导出一个可处理深度学习任务规模数据集的变分下界公式，证明了该方法在深度无监督学习和深度贝叶斯优化领域的有效性。

    Nov, 2015

  • Poincaré 变分自编码器实现连续的分层表示

    本文利用 Poincaré 球模型的超几何结构作为潜变量空间，研究了 VAE 在这个空间的运用，该方法在嵌套数据结构下表现出色，并展现了超几何结构对于 VAE 的优越性。

    Jan, 2019

  • 一个用于节点聚类的对比变分图自编码器

    改进了 Variational Graph Auto-Encoders 方法以应对节点聚类任务中的挑战，包括推理和生成模型的差异、后验坍缩、特征随机性和特征漂移，并通过对比学习获得更好的聚类结果。

    Dec, 2023