Nov, 2018

使用卷积和堆叠自编码器的无监督表示学习：领域和跨领域特征空间分析

PDF
TL;DR本文研究了不同的自编码器架构和训练策略，以从图像中学习表征，研究了网络深度和容量对降维和泛化能力的影响，结果表明自编码器特征的分类结果与预训练卷积神经网络一样有辨别能力。以上发现可用于设计跨领域的无监督表征学习方法。
发现论文，激发创造
  • 多标签分类任务的深度潜变空间学习

    本文提出了一种基于深度神经网络的模型 Canonical Correlated AutoEncoder（C2AE），在多标签分类任务中通过联合特征和标签嵌入派生一个深度潜在空间，并引入标签相关敏感的损失函数来恢复预测的标签输出，其能够灵活应对多种规模的数据集，与其他现有的多标签分类方法相比表现更加优异。

    Jul, 2017

  • Dis-AE: 多域多任务泛化的真实世界临床数据

    该论文提出了一种新颖的去纠缠自编码器 (Dis-AE) 神经网络结构，可以学习领域不变的数据表示，实现多标记医学测量分类的领域泛化，并评估其在多个领域上的泛化能力。

    Jun, 2023

  • 无监督领域泛化的分层变分自编码

    本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法，能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外，作者还提出了基于 ELBO 的模型选择和弱领域监督算法。

    Jan, 2021

  • 跨域对抗自编码器

    本文提出了 “跨领域对抗自编码器（CDAAE）” 来解决跨领域图像推理、生成和转换的问题，实现了基于内容的不同领域图片的生成，并且可以通过有标签的和无标签的数据进行训练，同时在数据集 SVHN，MNIST 和 CASIA 上都获得了具有视觉吸引力的图像生成效果和优越的领域适应性。

    Apr, 2018

  • 基于多任务自编码器的对象识别域泛化

    提出了多任务编码器（MTAE）算法，将原始图像转换为多个相关领域的类似图像，从而学习到跨领域对象识别的鲁棒特征，并在基准图像识别数据集上表现出比其他基于自编码器的模型和当前领域通用状态下的最新算法更好的性能。

    Aug, 2015

  • 从临床笔记中的无监督患者表征得出可解释的分类决策

    使用自编码器模型和段落向量模型，直接从医学记录中学习任务无关的密集病人信息，比较与稀疏表示方法的表现，并利用编码的特征进行解释和筛选

    Nov, 2017

  • 利用类别编码器学习判别特征

    本论文根据对深度神经网络训练过程的观察，提出了 class-encoder 的形式化表述方法，它结合了自动编码器（auto-encoders）和 softmax 函数进行监督训练，以降低类别内部的特征空间变异性，提高人脸识别模型的分类性能。

    May, 2016

  • 通过随机凸面化和频域最小化实现高效卷积自编码

    本研究提出了一种高效的层级无监督训练深度卷积神经网络的学习策略，采用随机凸化的重构压缩自编码学习目标，并通过坐标下降法在频域中解决 resulting large-scale convex minimization problem，具有单个可调优化参数，快速且有保证的收敛以及全并行计算的可能性，在实验中得到良好的效果。

    Nov, 2016

  • 使用卷积自编码器实现无监督多模态语言表征

    提出了一种无监督多模态语言表示提取方法，利用卷积自编码器将单词级对齐的多模态序列映射到 2-D 矩阵中，证明其在情感分析和情绪识别领域可以达到接近最先进性能的结果。

    Oct, 2021

  • 去噪对抗自编码器

    该研究论文介绍了一种结合去噪和正则化的对抗性自编码器方法，用于学习用于推理的有用表示，并通过实验验证其对于分类性能和样本合成的贡献。

    Mar, 2017