Jul, 2018

利用变分自编码器处理不完整的异质数据

PDF
TL;DR本文提出了 HI-VAE—— 一种能够处理必不可少的异构性和不完整数据的通用 VAE 设计框架，包括实数，正实数，区间，分类，序数和计数数据的似然模型，并展示了在监督任务中具有竞争性的预测性能。
variational autoencodersheterogenous datamissing datalikelihood modelssupervised tasks
发现论文，激发创造
  • 异质性时间和纵向数据的变分自编码器

    本文提出了用于处理异构数据的异构纵向变分自编码器，该模型通过建立生成模型和推断网络实现了高维数据的有效推断和处理，并使用连续、计数、分类和序数数据的似然模型来处理缺失值和实现预测。通过模拟和临床数据的实验验证了模型的有效性和预测精度。

    Apr, 2022

  • 缺失数据下的 VAEs

    开发了一种新颖的潜在变量模型，通过生成缺失数据的损坏过程对处理缺失数据集进行了模糊处理，并推导出相应的易于实现、可处理可随机缺失和不随机缺失数据、适用于高维输入、VAE 编码器和解码器原则性访问指标变量以确定数据元素是否缺失的可跟踪证据下限 (ELBO)。在 MNIST 和 SVHN 数据集上，相比现有方法，证明了观测数据的边际对数似然和更好的缺失数据插值提高。

    Jun, 2020

  • 使用混合变分族集合提升不完整数据的变分自动编码器估计

    研究了在数据不完整的情况下对变分自动编码器的估计任务，发现缺失数据增加了模型后验分布对潜变量的复杂性，从而影响了模型的拟合。通过引入两种策略（有限变分混合和基于插补的变分混合分布），解决了增加的后验复杂性问题。通过全面评估这些方法，结果表明变分混合对不完整数据的变分自动编码器估计准确性具有提升效果。

    Mar, 2024

  • VAEM：用于异构混合类型数据的深度生成模型

    VAEM 是 VAE 的扩展，可以处理包含不同类型特征和相同类型特征不同边缘分布的异质数据。VAEM 不仅可以用于数据生成，还可以处理缺失数据预测和序列特征选择等任务，扩展了深度生成模型的实际应用领域。

    Jun, 2020

  • 多方面和缺失数据的解缩变分自编码器表示

    factVAE 是一种鲁棒的深度生成模型，能够处理多方面的数据，在缺失数据的情况下表现良好，并且以一种能够鼓励群体和潜在维度之间分离的方式进行处理。

    Jun, 2018

  • 纵向变分自编码器

    该研究提出了一种称为长期 VAE（L-VAE）的方法，通过使用多输出加性高斯过程（GP）先验来扩展 VAE 的能力，从而实现在辅助协变量信息的约束下学习结构化低维表示， 以及导出了一种新的 KL 离散度上界。该方法可以同时适应时间变化的共享和随机效应，产生结构化低维表示，剥离个体协变量或其相互作用的影响，以及实现高度准确的预测性能。

    Jun, 2020

  • 使用变分自编码器和异质先验进行物品推荐

    本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法，实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。

    Jul, 2018

  • 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

  • 基于预测性变分自编码器的时间序列数据鲁棒表示学习

    利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

    Dec, 2023

  • 动态变分自编码器：综述

    本文对可变自编码器 (VAE) 拓展至处理序列数据的方法进行了综述，提出并讨论了动态变分自编码器 (DVAEs) 这一类模型，详细介绍了七种 DVAE 模型，并通过语音分析 - 重构任务的实验基准进行了验证，最后探讨了 DVAE 模型的重要问题和未来的研究方向。

    Aug, 2020