Aug, 2020

去耦合对抗自编码器用于无主体差异生理特征提取

PDF
TL;DR提出了一种针对生理感知变异性的对抗特征提取器来实现基于转移学习的通用特征提取，结果表明在跨学科转移评估中，该框架可以提高分类平均准确率达到 8.8％，并能适应更广泛的实验对象。
biosignal processingphysiological sensingtransfer learningdisentangled universal representationsclassification
发现论文，激发创造
  • 通过分解表示进行自监督的对抗样本检测

    该论文提出了一种名为 DRR 的新方法，它使用自编码器结构进行对抗性样本检测，并采用解缠表示来减少不必要的自编码器泛化能力，能够在视觉任务和自然语言任务中提供抗适应性对抗性攻击，并在各种度量标准下表现出更好的性能。

    May, 2021

  • 使用对抗训练解缠混合因素的深度表达

    我们提出了一种有条件的生成模型，用于学习将标记的观察结果的隐藏变化因素分离并分解成互补代码，实验结果表明该方法能够推广到未见过的类别和内类别变异。

    Nov, 2016

  • 对抗性变分自编码器在脑机接口中的迁移学习

    本研究介绍了对抗神经网络在大脑 - 计算机界面（BCI）传递学习中作为表征学习的新方法。该方法旨在通过同时训练条件变分自动编码器（cVAE）和对抗网络来学习主体不变的表示，我们使用浅卷积结构实现 cVAE，并将学习的编码器转移到未见 BCI 用户的数据中。我们通过电子脑电图（EEG）数据对该方法进行了概念验证，其中记录了运动想象 BCI 实验时的数据。

    Dec, 2018

  • 从面部图像学习解耦表情表示

    本文使用对抗学习方法学习人脸图像的解缠表示，提高了在 AffectNet 数据集上表情识别任务的准确率。

    Aug, 2020

  • 统一的对抗不变性

    本文提出了一种统一的不变性框架，可用于训练神经网络，从而使其在不使用任何附带标注的同时将数据的无关因素与数据相互独立，但也可以使用关于有偏因素的标记信息，强制将其从潜在嵌入中去除以实现公平预测。该模型在不使用标记信息的情况下优于先前的工作，并在公平性设置中实现了学习自由因素的最新性能。

    May, 2019

  • 基于主题感知对比学习的生物信号处理

    本文提出了基于对比学习的无监督自适应方法来建模具有噪声标签和少数受试者的生物信号，通过特定于个体的对比损失和对抗性训练来提高模型性能，以及使用时间序列数据增强技术来完善对比损失，实现了对脑电解码和心电异常检测任务的良好分类结果。

    Jun, 2020

  • 探索除人脸识别之外的去耦合特征表示

    提出了一种基于最小监督学习的弱化但互补人脸特征提取方法，通过身份验证构建身份提取和去除自编码器（D2AE）框架，该框架基于两个流中的提示设计的，具有拟人化和编辑人脸的优点。

    Apr, 2018

  • 具有统计保证的数据自适应的判别特征定位

    本文利用两个真实数据集，通过两个关键特征：自适应性、预测重要性和有效性，提出了基于对抗攻击的特征定位框架，通过测量广义偏相关系数来提供定位到的特征的统计确信度，并将所提出的方法应用于 MNIST 和 MIT-BIH 数据集的卷积自编码器，与现有的启发式方法相比，该方法表现优异。同时，配套的 Python 库 dnn-locate 实现了所提出的方法。

    Nov, 2022

  • 解开独立变化因素的挑战

    本文研究了如何使用自编码器模型来解决因素糾纏問題，並通過在圖像對和三元組之間施加約束來訓練它。在實驗中，我們證明了此模型可以成功地在多個數據集上轉移屬性，但也存在參照模糊的情況。

    Nov, 2017

  • 一种用对抗神经张量方法学习分离表示的方法

    本文提出了一种无监督的深度学习方法来分离在野外拍摄的脸部图像中的多个潜在变化因素，其中多个潜在变化因素的乘法交互通过多线性（张量）结构明确地建模。该方法学习了面部表情和姿态的分离表示，可用于各种应用，包括面部编辑，以及三维面部重建和面部表情、身份和姿态的分类。

    Nov, 2017