通过引入 stochastic lazy attributes,提出了一种基于语法制导的变分自编码器以捕捉离散结构的语法和语义约束,并使用编程语言和分子优化等应用程序对其进行了评估。
Feb, 2018
该研究提出了一种使用变分自编码器框架中的反向传播通过离散潜在变量训练带有离散潜变量的概率模型的新方法,能够有效地从无监督数据中学习对象的类别和像素级别的信息,并在 MNIST,Omniglot 和 Caltech-101 Silhouettes 数据集上比其他方法更加先进。
Sep, 2016
本文提出了一种适用于分子结构的、特别设计了多项技术创新的变分自编码器,并发展了一个梯度优化算法用于优化其生成分子的能力,实验结果表明该模型比多种现有模型更能够有效地发现合理、多样且新颖的分子。
本文提出一种基于变分自编码的图结构模型,用于生成符合已有数据分布的化学分子结构,并通过实验数据分析表明该模型在分子生成任务上表现较好,同时使用合适的隐空间设计允许生成具备特定性质的分子。
May, 2018
本文利用变分自编码器提出了一种用于生成符号表达式的深度学习框架,在嘈杂的数据条件下优于传统符号回归的准确率,并归纳了各类数据集及其恢复率相关知识。
Jan, 2023
本文提出了一种基于变分自编码器的模型,通过在模型的潜在空间中使用线性化树序列显式建模句法信息,从而生成来自分离的句法和语义子空间的句子,并能应用于无监督的释义生成和句法转换等任务,实验结果优于现有相关工作。
Jul, 2019
本文介绍了一种基于矩阵表示的图形正则化框架,利用变分自编码器来实现语义有效性,实验证明和其他方法相比,该方法在采样有效的图形方面具有更高的可能性。
Sep, 2018
通过将图形模型与深度学习架构组合,我们学习具有两种框架优势的生成模型。我们提出了学习 SVAE 的新算法,并首次证明了 SVAE 处理丢失数据时处理多模态的能力。这些优化创新使 SVAE 能够通过梯度下降法进行学习。
Jun, 2023
本文提出了一种基于预训练变分自编码器的离散领域参数化的扩散模型训练技术,用于离散和连续领域的生成导致更优结果,并在应用于符号音乐领域时表现出很强的无条件生成和条件填充结果,相比基于自回归语言模型的连续嵌入操作更具可行性。
Mar, 2021
本文旨在通过强制使用自动编码器并引入改进的语义哈希技术,从序列模型中提取更好的表示,以提高其在语言建模和机器翻译等任务中的表现,并展示了该技术在生成多元化翻译方面的应用。
Jan, 2018