Mar, 2020

自编码器

PDF
TL;DR本文综述了不同类型的自编码器及其应用，自编码器是一种神经网络，通过压缩表示和重构输入以实现输入的重构。
发现论文，激发创造
  • 我们是否以错误方式使用自编码器？

    在该文中，我们重新审视了欠完备自动编码器的标准训练方法，通过修改潜在空间的形状而无需在损失函数中使用任何显式正则化项。我们迫使模型重构的不是相同的观测输入，而是从同一类分布中抽样得到的另一个观测值。我们还探讨了在重构来自整个数据集的随机样本时潜在空间的行为。

    Sep, 2023

  • 自编码器简介

    本文介绍了自编码器的数学和基本概念，讨论了其局限性、典型用例，以及几个例子，并探讨了其在减少维度、分类、去噪和异常检测等方面的应用。

    Jan, 2022

  • 量子自编码器用于量子数据高效压缩

    本篇论文研究使用经典的优化算法来训练量子自编码器，从而实现对量子数据进行压缩和简化处理，且在 Hubbard 模型和分子哈密顿量的场景下应用自编码器进行量子模拟。

    Dec, 2016

  • 自编码器为何有效？

    深度神经网络自编码器常用于模型简化，在此研究中通过调整网络参数来最小化输入与重构输出之间的差异，以达到恢复输入数据的效果，并证明了该方法的有效性。

    Oct, 2023

  • 一种自编码器机制框架

    本文提出了自动编码器机制的理论框架，研究了编码器的两个基本属性：双射映射和数据解缠，并给出了满足这两个属性中任意一个或同时具备的编码器的构造方法。基于该理论框架，我们解释了一些自动编码器的实验结果，证明自动编码器在降维和分类方面相较于 PCA 和决策树的优势，同时该理论框架还解释了卷积神经网络和随机加权神经网络。

    Aug, 2022

  • EvoAAA: 一种用于自动神经自编码器架构搜索的进化方法

    该论文提出了一种基于进化方法的自动化自编码器架构搜索过程，通过测试证明了该方法在九个异构数据集上的可行性和较好的结果。

    Jan, 2023

  • 自编码器的结构化

    本文提出了一种称为 Structuring AutoEncoders 的神经网络，其可以使用弱监督形成结构化的低维空间，从而更有效地表示并分类数据。在基准图像数据集 MNIST、Fashion-MNIST、DeepFashion2 以及 3D 人体形状数据集上进行的实验表明，结构潜空间可以为进一步的分类任务和分类数据的有效选择的操作提供更高效的表征。

    Aug, 2019

  • 复数自编码器

    研究复数域上的线性自编码器及其学习算法、一般性质，发现它们的误差函数都具有一些变换不变性和全局最小值与鞍点，同时给出了一些能应用于其它自编码器的算法和一些应用方面的思路，揭示了信息理论、无监督学习、聚类和自编码器之间的联系。

    Aug, 2011

  • 从神经 PCA 到深度无监督学习

    提出了一种支持深度无监督学习的网络，使用编码器到解码器的侧向快捷连接来支持层次结构，并通过去噪自编码器和去噪源分离框架进行学习，以学习不变特征。

    Nov, 2014

  • 利用线性自编码器从主子空间提取主成分

    本文介绍了使用一种单隐层全连接自编码器进行特征提取可以有效地恢复主成分分析 (PCA) 的加载向量，且训练权重与 PCA 加载向量存在差异，从而优化特征提取的性能。

    Apr, 2018