通过变分自编码器进行多实例特征深度学习

AAAIJul, 2018

通过变分自编码器进行多实例特征深度学习

Deep Multiple Instance Feature Learning via Variational Autoencoder

Shabnam Ghaffarzadegan

TL;DR提出了一种结合了判别和生成模型，基于弱监督深度学习的新型深度学习框架，用于解决多示例学习中来自于正实例标签不确定性的挑战，并成功应用于音频事件检测和分类任务中，相对以往的研究成果表现更优，具有良好的可扩展性。

Abstract

We describe a novel weakly supervised deep learning framework that combines both the discriminative and generative models to learn meaningful representation in the multiple instance learning (MIL) setting. MIL is

weakly supervised learning deep learning multiple instance learning variational autoencoders audio event detection

发现论文，激发创造

利用变分自编码器进行非独立同分布多实例学习以预测实例和包标签

本研究提出了一种新的多实例变分自编码器（MIVAE）算法，该算法能够显式地建模实例之间的依赖关系，从而更好地预测袋标签和实例标签，并在多个多实例基准数据集和端到端医学影像数据集上取得了比现有算法更好的效果。

May, 2021

半监督深度生成模型学习分离表示

该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

Jun, 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

多对抗变分自编码网络

介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构，它是 VAE-GAN 网络的一个创新应用，在人工合成图像方面有很好的表现。

Jun, 2019

无限变分自编码器用于半监督学习

本文提出了一种基于混合模型和狄利克雷过程的无限变分自编码器，其容量能够适应输入数据，从而使得自动编码器数量能够根据数据自动变化，实验结果表明该方法在半监督学习中具有很高的灵活性。

Nov, 2016

可扩展的弱监督学习的多模态生成模型

本文介绍了一种基于变分自编码器的多模态学习方法，能够有效地用少量参数处理多模态输入数据的推断问题，提出的方法在一些数据集上表现出与最先进技术相匹配的性能。

Feb, 2018

多模式深度生成模型的变分混合专家自编码器

本文阐述了成功学习多模态生成模型的四个判定标准，提出了一种混合专家多模态变分自编码器（MMVAE）来学习不同模态的生成模型，并展示了其在具有挑战性的图像 - 语言数据集上实现四个标准的能力，从质量和数量两方面进行了定性和定量。

Nov, 2019

使用马尔科夫网络的判别训练进行多实例学习

本文提出了一种基于马尔可夫网络的多实例学习图形框架，可用于建模传统的 MIL 定义以及更一般的 MIL 定义，并在弱监督数据中探索了不同水平的不确定性。为了训练这些模型，我们提出了一种利用基于基数的 cliques 的有效推理的判别最大化边际学习算法。实验结果表明编码或学习不确定性的程度可以提高分类性能。

Sep, 2013

利用对比学习的高斯混合变分自编码器进行多标签分类

通过构建高斯混合变分自编码器，基于对比学习构建了一个多标签预测模型，利用数据驱动方式有效挖掘标签信息和增强预测能力，且通过学习特征和标签的潜在空间实现了更好的性能，适用于多个公共数据集。

Dec, 2021

变分公平自编码器

研究如何学习能保留数据中大部分信息且对于某些噪声或敏感变化因素具有不变性的表示形式，提出了一种基于变分自编码器的模型，包括鼓励灵敏因素和潜在因素独立的优先知识和基于 “最大均值差异”（MMD）的附加惩罚项，实验证明该方法比以前的工作更有效。

Nov, 2015