Jul, 2020

具有几何正则化的可扩展和可逆流形学习自编码器

PDF
TL;DR本文提出了一种基于自动编码器与流形学习结合的数据探索方法，利用几何正则化项鼓励学习得到的潜在表示沿着数据的内在几何结构发展，并与常规方法相比较，证明该方法在保留内在结构、扩展能力和数据重构方面具有优势
发现论文，激发创造
  • 自动编码器的几何视角

    这篇论文介绍了自编码器框架的几何方面，强调了它的重要性，同时提出了一些解决这些问题的几何方法。

    Sep, 2023

  • 用于发现复杂动力系统数据中 Manifold 的维度和坐标的自编码器

    本文介绍了一个自编码器框架，结合隐式正则化和内部线性层，自动估计数据集的底层维度，生成正交流形坐标系，并提供周围空间和流形空间之间的映射函数，为拓展样本作出一定的贡献，展示了该框架在各种数据集中对流形维度的能够自动估计，分析了该架构的梯度下降动态，以及扩展到状态空间建模和预测的应用，并证明了该框架对超参数选择的鲁棒性。

    May, 2023

  • 内在维度约束下的自编码器学习低维图像表达

    本文中提出了一种新颖的自编码器深度表示学习方法，它将全局和局部内在维度约束的正则化引入数据表示的重构中，从而使学习到的低维特征更具判别性，从而提高下游算法的性能。

    Apr, 2023

  • 几何自编码器 -- 眼见即所解码

    本文提出了一种名为 “几何自编码器” 的数据可视化方法，该方法采用低维潜在空间的自编码器训练，通过微分几何学的角度，引入新的正则化项，减少误差导致的畸变，使数据结构的可视化更加准确。

    Jun, 2023

  • 用 VAEs 学习平坦的潜在流形

    本研究提出了一种基于 Riemannian geometry 的扩展的变分自编码器框架，可以学习平面的潜在流形，通过约束优化问题和使用更具表达力的层次先验代替紧凑先验，使得在保留直线状方法的计算效率的同时，能够在视频跟踪基准测试中接近监督学习方法的性能。

    Feb, 2020

  • VTAE: 变分转换自编码器与流形学习

    提出了一种变分空间转换自编码器（VTAE），通过在 Riemann 流形上最小化测地线来改善表征学习，并提高计算机视觉任务的预测准确性和适用性，包括图像插值和重构。

    Apr, 2023

  • 同胚变分自编码的探索

    本文研究了流形值潜变量的使用，特别是连续可微的对称群（李群）的情况，展示了如何通过将再参数化技巧扩展到紧连李群来构造带有李群潜变量的变分自编码器，并通过实验展示了匹配潜在数据流形拓扑结构的流形值潜变量对于保留拓扑结构和学习良好的潜空间至关重要。

    Jul, 2018

  • $Γ$-VAE: 曲率正则化变分自动编码器用于揭示高维数据中的低维几何结构

    通过正则化曲率的生成模型，我们在具有新兴低维行为的任何高维系统中实现了更一致、有预测性、可推广的模型。

    Mar, 2024

  • Poincaré 变分自编码器实现连续的分层表示

    本文利用 Poincaré 球模型的超几何结构作为潜变量空间，研究了 VAE 在这个空间的运用，该方法在嵌套数据结构下表现出色，并展现了超几何结构对于 VAE 的优越性。

    Jan, 2019

  • 数据流形上基于均匀插值约束的测地线学习

    该论文提出了一种基于测地线学习的方法，利用自编码器网络将数据样本映射到潜在空间，并通过插值网络进行插值，以生成高质量的插值样本。

    Feb, 2020