Jul, 2020

基于解耦变分自编码器的协方差感知多元 Probit 模型的多标签分类

PDF
TL;DR本篇论文提出了一个用于多标签分类的新型框架，即多元 Probit 变分自编码器（MPVAE），该框架通过有效地学习潜在的嵌入空间和标签之间的相关性来实现。同时，MPVAE 在公开真实世界数据集上优于现有的最先进方法，并且进一步证明了在嘈杂环境下的稳健性。最后，通过鸟类观测数据集的案例研究，展示了学习共享协方差矩阵的可解释性。
发现论文，激发创造
  • 利用对比学习的高斯混合变分自编码器进行多标签分类

    通过构建高斯混合变分自编码器，基于对比学习构建了一个多标签预测模型，利用数据驱动方式有效挖掘标签信息和增强预测能力，且通过学习特征和标签的潜在空间实现了更好的性能，适用于多个公共数据集。

    Dec, 2021

  • 多层变分自编码器：从分组观察中学习解耦表示

    提出了 Multi-Level Variational Autoencoder 用于学习语义上相关并解耦的潜变量表示，将工作集中在组别和个体水平上的同时保持高效的测试时推理，以便对相关变量进行无监督控制。

    May, 2017

  • 相关变分自编码器

    该研究提出了基于相关变量分布的 CVAEs 方法来学习高维数据的潜在表示。通过对无向相关图的所有最大有向无环子图的可计算较低限的平均值来解决相关先验带来的不可计算问题，证明了该方法在公共基准评级数据集的匹配和链接预测，以及合成数据集上的谱聚类中的有效性。

    May, 2019

  • HOT-VAE：基于注意力的变分自编码器学习多标记分类的高阶标记相关性

    本论文介绍了一种新的高阶关联学习框架 “HOT-VAE”，用于多标签分类，通过实验证明其优于现有的其他方法，可应用于多领域的真实世界数据集，并且涉及物体之间的复杂关系，特别适用于鸟类分布数据集的生态学指标。

    Mar, 2021

  • 协同过滤的变分自编码器

    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

  • 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

  • 高斯过程先验变分自编码器

    本文研究了一种新的模型 Gaussian Process Prior Variational Autoencoder (GPPVAE)，结合了 VAEs 和具有 GP priors 关联特性的能力，解决了 VAEs 假设的潜在样本表示是独立并且同分布的假设不够强的问题，并利用协方差矩阵中的结构，介绍了一种新的随机反向传播策略，达到了分布式和低内存计算随机梯度的目的，实验证明该方法可以在两个图像数据应用程序中优于 conditional VAEs (CVAEs) 和标准 VAEs。

    Oct, 2018

  • 多模式深度生成模型的变分混合专家自编码器

    本文阐述了成功学习多模态生成模型的四个判定标准，提出了一种混合专家多模态变分自编码器（MMVAE）来学习不同模态的生成模型，并展示了其在具有挑战性的图像 - 语言数据集上实现四个标准的能力，从质量和数量两方面进行了定性和定量。

    Nov, 2019

  • 通过变分自编码器进行多实例特征深度学习

    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

  • 变分自编码器中学习潜在子空间

    本文提出了一种基于变分自编码器的生成模型，使用互信息最小化学习与每个标签相关的低维潜空间，并展示了其在特征操作上的实用性。

    Dec, 2018