NIPSAug, 2017

Warp：基于神经网络的基因表达数据可解释性方法

PDF
TL;DR我们证明了扭曲的原理，这是一种解释神经网络在基因表达分析上内部工作的方法，扭曲是获得神经网络内部工作理解的一种有效途径，我们证明了扭曲能够从样本特定的个人角度恢复给定类别的有意义信息，并发现扭曲在线性和非线性可分数据集上都表现良好，这些令人鼓舞的结果表明，在计算生物学中，扭曲有成为神经网络可解释性的答案的潜力。
发现论文，激发创造
  • 神经扭曲网络：时间序列相似度

    该研究旨在提出一种新型的测量时间序列相似性的方法 ——NeuralWarp，通过建模深度表示空间中的时间序列索引的对齐模型，模拟乘法函数作为深层神经网络来建模。实验结果表明，相比于非参数方法和未调整的深层模型，NeuralWarp 在各种现实生活数据集上表现更好。

    Dec, 2018

  • 分类问题中数据增强的理解：何时进行扭曲变换？

    本文研究了在机器学习分类器的训练中，通过合成数据样本来增强数据的效果。通过数据扭曲和特征空间中的合成过采样两种方法，我们对卷积神经网络，卷积支持向量机和卷积极限学习机分类器在标准的 MNIST 手写数字数据集上进行了实验评估。实验结果表明，在数据空间中合成数据可以更有效地提高性能和缓解过拟合问题。

    Sep, 2016

  • 利用判别式 teacher 进行时间扭曲的神经网络时间序列数据增强

    本文旨在解决时间序列分类数据集较小的问题，提出了一种基于动态时间规整的数据增强方法 guided warping，使用深度卷积神经网络和循环神经网络对 85 个时序数据集进行了评估。

    Apr, 2020

  • 通过表示扭曲的方法实现语义视频卷积神经网络

    本文提出了一种将用于静态图像的 CNN 模型转换为用于视频数据的 CNN 模型的技术，利用名为 NetWarp 的模块，通过邻帧的光流在时间上进行网络表示的扭曲，同时将光流方法与不同的 CNN 架构结合以实现改进，最终在 CamVid 和 Cityscapes 数据集上实现了最新的最佳效果。

    Aug, 2017

  • Warpformer：一种针对不规则临床时间序列的多尺度建模方法

    Warpformer 是一种全新的方法，考虑了多元时间序列的内部不规则性和不同序列之间的差异，通过设计特殊的输入表示，变形模块和注意力模块，生成多尺度表示，用于各种下游任务。

    Jun, 2023

  • 深度关注时间扭曲

    本文提出了一种神经网络模型来进行任务自适应时间对齐，使用注意力模型开发了一个明确的具有更大畸变不变性的时间对齐机制，并通过度量学习进行训练，与传统的基于 DTW 的可学习模型不同，它能够学习目标任务的最佳数据相关对齐，实验证明了我们模型在在线签名验证方面的超过 DTW 并且创造了最先进的性能。

    Sep, 2023

  • 通过变形实现动画：一种高质量面部表情动画的高效方法

    提出了一种名为 ATW 的新型框架，其中包含一个新型两阶段神经网络生成器和一个称为 Animating Through Warping（ATW）的新型后处理模块，它具有高效的高分辨率面部动画生成能力。

    Aug, 2020

  • 人脸图像的神经隐式变形

    我们提出利用基于坐标的神经网络来表示面部图像的变形和融合。通过结合经典方法中的能量函数，我们利用这些网络的平滑性和灵活性进行训练，同时允许连续的面部变形和融合。实验结果表明，我们的方法在面部变形检测方法方面与传统方法和基于数据的神经技术相竞争，并在审美上呈现出文献中尚不常见的多样面孔的无缝融合。

    Aug, 2023

  • 利用补丁变形改进神经隐式曲面几何

    研究了神经含式表面在多视图 3D 重建中的应用，提出了一种新的添加光照一致性项的神经渲染优化方法 NeuralWarp，并经过了 DTU 和 EPFL 测试，证明其性能优于目前的无监督隐式表面重建技术。

    Dec, 2021

  • 贝叶斯对齐变形的多输出高斯过程

    本研究提出了一种基于潜在的共享信息的贝叶斯方法，用于建模时间序列的非线性对齐，并将该方法应用于传感器数据中寻找风力涡轮机数据中的共同结构。提出的模型允许输入的任意对齐和非参数输出扭曲以转换观察结果。

    Oct, 2017