该论文介绍了一种新的最大似然估计方法,使用变分自编码器来进行盲信道均衡,在符号重构的误差率方面比常数模块均衡器有显著和一致的改进。此外,作者还展示了该方法相对于常数模块算法具有显著的低延迟通道获取的优势。
Mar, 2018
本文提出了一种基于变分推断的自适应盲均衡器,以提高光通信中载波恢复的效率,并通过在低复杂度下估计信道的最大似然来提高其性能和灵活性。作者将变分自编码器(VAE)等均衡器的概念推广到更高阶的调制格式,并通过多种测试环境证明了其优越性。
Apr, 2022
本文评估在关键工作点启动盲均衡器的效果,分析常用算法的优点和障碍,并演示最近提出的基于变分自编码器的均衡器如何改善引导过程。
Jan, 2023
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
本文提出了一种用于编解码的离散自编码器模型,通过添加噪声来模拟信道以实现数据压缩和容错,得到了与现有方案相当的编码标准,并学习了下游任务(如分类)的有用鲁棒表征。最后,通过推理摊销,实现了一个快速的神经解码器,与迭代置信传播方法相比,速度提高了近一个数量级。
Nov, 2018
本研究提出一种基于 VAE 的非线性概率模型,用于解决协作过滤问题,相对于现有的线性因子模型,具有更强的建模能力,并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现,并对使用多项式分布作为似然函数进行了比较实验,分析了使用贝叶斯方法的优缺点及适用场景。
Feb, 2018
本文提出了一种基于 CNN 的 VAE 通信系统,使用可调节超参数 beta 的 VAE 架构,在传统方法中表现卓越,具有极度脱耦的潜在空间表现,使得基于连续潜在空间的 VAE 系统比其他系统表现更佳。
May, 2020
介绍了 Adversarial Variational Bayes 技术,可以用于训练具有任意表达力的推理模型的变分自编码器,并将其与生成对抗网络建立起了原则上的联系。
Jan, 2017
通过引入第二个参数化的编解码对和一个额外的固定编码器,我们发展了三种 VAE 的变种,并使用神经网络学习编码器 / 解码器的参数来比较这些变种与原始 VAE 的 ELBO 逼近。其中一种变化导致了一个 EUBO,可以与原始 ELBO 一起用于研究 VAE 的收敛性。
Dec, 2022
该研究探讨了使用无香精变换来改进变分自编码器生成模型的表现,使用更具信息量和低方差的后验表示来确保更高质量的重建,并使用 Wasserstein 分布度量来替换 KL 散度以允许更快的后验分布,最后得到了一种竞争力强的确定性采样 VAE,可在脚手架分数上提高性能,训练方差较低。
Jun, 2023