使用蒙特卡罗 dropout 生成数据
本文提出 VAE-GAN 作为智能电网数据生成模型,能够学习各种数据类型分布并从同一分布生成逼真的样本。实验结果显示,该模型的合成数据比 Vanilla GAN 网络更接近真实数据分布。
Jan, 2022
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
本文提出了一种基于变分自动编码器的新型体系结构,可用于进行时序数据的合成生成,具有可解释性,能够编码领域知识,训练时间较短。实验表明,该方法在数据相似度和预测性方面均表现优异,依然能够准确地呈现原始数据的时态属性,并且对于下一步预测具有显著的改善效果。最后,该模型可以将特定领域的时间模式融入到生成模型中,提供可解释性的输出。
Nov, 2021
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
我们提出了一种名为解密自编码器的生成模型。在这个模型中,我们为训练数据集中的每个数据点分配一个唯一的随机丢失模式,然后训练一个自编码器来使用该模式作为编码信息来重构相应的数据点。尽管解密自编码器的训练仅依赖于重构误差,但其训练比其他生成模型更稳定。在 CIFAR-10 数据集上,解密自编码器的采样质量与 DCGAN 相当。
Oct, 2023
提出了一种基于变分自编码器的模型,该模型以贝叶斯高斯混合模型为基础,在处理表格数据时能够更准确地表示潜在数据分布,同时具有更灵活的特性和更好的性能。
Apr, 2024
本研究旨在通过引进对生成数据属性的控制机制,提供一种替代当前使用的算法的解决方案,从而减少模拟成本和时间,并扩展至 ALICE 实验中的 ZDC 量热计的模拟。
May, 2024
基于变分自编码器的方法来采样多元重尾分布,进而得到准确极值,此方法在洪水灾害风险评估方面具有潜在应用价值,不仅在测试数据中的性能比标准变分自编码器好,还比竞争的极值理论方法更好地学习了极端事件之间的依赖关系。
Jun, 2023
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。
Jul, 2018
本研究通过使用最大平均离差(MMD)来匹配不同条件下的生成模型的分布,从而对条件变分自编码器(CVAE)进行改进,提出了 Transformer VAE(trVAE)的架构,并在高维图像和表格数据上展示了比现有方法更高的鲁棒性和准确性。
Oct, 2019