ICMLSep, 2018

EDDI: 使用部分 VAE 高效动态发现高价值信息

PDF
TL;DR提出基于贝叶斯实验设计理论和部分变分自编码器的 EDDI（高价值信息的高效动态发现）框架，通过最大化预期信息增益的获取函数，在多个机器学习基准测试和两个真实的医疗应用中，显示了在相同的决策质量下的成本减少和在相同的成本下的决策质量的提高。
bayesian experimental designpartial vaeinformation gaindecision-makinghealthcare
发现论文，激发创造
  • 使用条件变分自编码器生成长期电子健康档案

    本文提出了一种 EHR 变分自动编码器 (EVA)，用于合成离散 EHR 的序列和特征，证明了 EVA 可以产生逼真的 EHR 序列，并且可以根据特定的疾病条件进行条件编码，从而实现特定疾病的研究。使用 250,000 多个真实 EHR 存储库评估了该方法的实用性，在知识渊博的临床医生的实验中表明所生成的 EHR 序列是逼真的，将真实数据和合成的 EHR 相结合可能会提高最佳基线的预测性能高达 8％。

    Dec, 2020

  • 信息最大化变分自编码器

    本篇研究提出了新的目标函数（InfoVAE）解决了现有训练标准带来的问题，大大提高了变分后验的质量，并使得潜在特征得到了有效利用，从而在多个性能指标上优于其他竞争方法。

    Jun, 2017

  • 可传递信息理论及其在深度生成模型中的应用

    本文介绍了一种基于控制先验和层次结构的基于变分自编码器 (SemafoVAE) 来实现分离表示和生成高质量图像的方法。

    Mar, 2022

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 变分贝叶斯最优实验设计

    本文介绍了一种基于模型推理的方法来估计 Bayesian 最优实验设计中的信息获取量，并通过多个实验展示了该方法相较于之前的方法具有更快速度和更准确的结果。

    Mar, 2019

  • 基于贝叶斯变分自编码器的无监督异常检测

    为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。

    Dec, 2019

  • 层级 VAE 知道它们不知道的

    深度生成模型的密度估计已被证明是最先进的，但最近的研究发现，它们通常会分配更高的似然性给训练分布之外的数据，此行为是由于偏差所致，本文通过分层变分自编码器提供了证据来解释这种行为，我们认为这是预期和期望的行为，掌握这一洞见后，我们设计了一种快速、可扩展且完全无监督的似然比分数用于 ODD 检测，并在大量数据和模型组合上进行了基准测试，获得了最佳实验结果。

    Feb, 2021

  • 强化近似探索式数据分析

    这篇论文提出了一种基于深度强化学习的框架，旨在优化采样策略以保持数据分析和洞察流，同时减少交互延迟，通过在 3 个真实数据集上进行评估，证明了该技术相对于基线方法能够保留原始的洞察生成过程。

    Dec, 2022

  • 变分自编码器用于异常检测的统计检验

    利用统计检验方法提出了 Variational Autoencoder（VAE）在异常检测中的可靠性评估方法，该方法能够量化通过 VAE 检测到的异常区域的统计可靠性，并且可以控制误检的概率。

    Feb, 2024

  • 利用不完整数据的状态监测：一种集成变分自编码器和距离度量框架

    通过零样本学习方法，本文提出了一种新的故障检测和状态监测方法，可以在没有故障样本的情况下，对工业系统进行可靠的故障检测与健康状况评估。通过使用变分自编码器捕捉先前观察到和未知条件的概率分布，在隐空间比较每个样本与正常操作的参考分布的偏差，建立健康指数的阈值，能够高准确度地检测严重的未知故障，从而提升工业领域的故障检测能力，增强安全性和优化维护实践。

    Apr, 2024