Feb, 2018

重新加权自编码变分贝叶斯用于增强采样（RAVE）

PDF
TL;DR提出了 RAEBV 方法，使用自编码变分贝叶斯方法来提高分子模拟的采样效率，并在计算自由能与发现关键特征空间方面具有显著优势。
reweighted autoencoded variational bayesenhanced samplingmolecular simulationsdeep learningthermodynamic observables
发现论文，激发创造
  • RAVE: 一种快速高质量神经音频合成的变分自编码器

    本文介绍了一种实时音频变分自动编码器 (RAVE)，允许快速且高质量的音频波形合成，采用多频段分解处理原始波形。通过后训练分析潜在空间，实现重构保真度与表示紧凑性之间的直接控制。例如对于音质转换和信号压缩等应用，该模型相比于现有模型表现更优。

    Nov, 2021

  • 无监督语音增强的后验采样算法与递归变分自动编码器

    本文中，我们提出了基于循环变分自动编码器（RVAE）的无监督语音增强问题。我们使用高效的采样技术解决了测试时间中涉及的计算复杂度问题，并通过与传统方法进行比较实验证明了这种方法在计算效率和总体性能方面的显著优势。

    Sep, 2023

  • 自编码分子增强采样技术：即时集体变量发现与自由能较快探索

    采用自编码器进行非线性机器学习，发掘具有明确和可微分函数关系的 CVs，加速沿着数据启发式的 CVs 进行偏引力采样。在模拟丙氨酸二肽和 Trp-cage 时展示了这种方法。

    Dec, 2017

  • 基于神经网络的变分增强采样

    使用机器学习技术和变分增强采样方法结合来快速采样自由能面，通过采用神经网络表示偏差来决定采样的参数，在重复学习方案中对其进行确定并打破一些壁垒

    Apr, 2019

  • 变分循环自编码器

    该论文提出了一种模型 —— 变分循环自编码器（VRAE），结合了 RNN 和 SGVB 的优点，可用于针对大规模时间序列数据进行高效的无监督学习，将时间序列数据映射为潜在向量表示。该模型具有生成性，因此可以从潜空间的样本生成数据。此外，该模型能够利用无标记数据，通过初始化权重和网络状态，促进 RNN 的监督训练。

    Dec, 2014

  • LVNS-RAVE：基于 RAVE 和潜向量新奇性搜索的多样化音频生成

    由于进化算法需要复杂的设计且生成的声音缺乏真实感，而生成式深度学习模型常常只是复制数据集缺乏创造力，本文提出了 LVNS-RAVE 方法，将进化算法与生成式深度学习相结合以产生逼真和新颖的声音样本。实验结果表明，该方法能够成功生成多样化和新颖的音频样本，并可以通过变异参数轻松控制生成过程的特性。该算法对声音艺术家和音乐家来说是一种创造性的工具。

    Apr, 2024

  • 应用强化学习解码分子图嵌入

    通过强化学习解码潜在嵌入中的分子图的图与图变分自编码器 RL-VAE, 基于简单的图生成器实现了对分子图的高效解码和生成。

    Apr, 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

  • RAQ-VAE：自适应速率矢量量化变分自编码器

    Rate-Adaptive VQ-VAE improves the adaptability and performance of Vector Quantized Variational AutoEncoders with novel codebook representation methods, achieving effective reconstruction performance across multiple rates.

    May, 2024

  • 量子变分自编码器

    使用量子玻尔兹曼机实现的量子变分自编码器（QVAE）比仅涉及生成过程中的离散变量的相似方法在 MNIST 数据集上实现了最先进的性能。将 QBM 放置在 VAE 的潜在空间中将充分发挥当前和下一代量子计算机作为采样设备的潜力。

    Feb, 2018