分形自编码器用于特征选择
本篇论文提出了一种基于可微分的具体选择器层的端到端不监督学习方法,用于全局特征选择并同时重构输入数据,通过在训练过程中逐渐降低具体选择器层的温度来学习特征,并在测试时用所选特征与解码器网络一起重构其余输入特征。该方法在各种数据集上得到了验证,特别是在大规模基因表达数据集上,选择了几个基因子集,用于估算剩余基因的表达水平。与现有的专家筛选方式相比,降低了测量成本,是一种极为有效的实现方式,可成为标准自动编码器的补充。
Jan, 2019
在 GWAS 数据中,本研究引入了一种针对超高维数据的特征选择方法,该方法利用 Frobenius 范数惩罚增强学生网络的适应能力,通过自动编码器或监督自动编码器进行维度约简,以及经过正则化的前馈模型进行精确特征选择,在实验中展示了其在 GWAS 数据特征选择中的高效性和灵活性。
Dec, 2023
该研究论文介绍了一种新的神经网络架构(Multiple-Input Auto-Encoder,MIAE),该模型通过无监督学习将异构输入转化为低维表示,并设计了特征选择层以选择信息丰富的特征。这种方法在检测入侵行为方面表现优秀,同时具有较快的运行速度和较小的模型大小。
Mar, 2024
提出了一种新的递归自编码器结构 —— 反馈递归自编码器(FRAE),用于在线压缩带有时态依赖性的顺序数据,尤其是语音谱图压缩,结合神经声码器,实现低固定比特率下的高质量语音波形,进一步使用学习到的潜在空间先验和熵编码器,可以达到更低的可变比特率。
Nov, 2019
利用深度自动编码器辅助特征集成网络(AE-FENet),改善了对微小振幅初始故障的检测性能,实现了在 Tennessee Eastman 工艺中所发现的故障 3、9 和 15 的高准确率,从而在故障检测领域取得了显著的性能提升。
Apr, 2024
本文研究了不同的自编码器架构和训练策略,以从图像中学习表征,研究了网络深度和容量对降维和泛化能力的影响,结果表明自编码器特征的分类结果与预训练卷积神经网络一样有辨别能力。以上发现可用于设计跨领域的无监督表征学习方法。
Nov, 2018
为了学习紧凑的 3D 表示,我们提出了一个简单而有效的 Point Feature Enhancement Masked Autoencoders (Point-FEMAE),它主要由一个全局分支和一个局部分支组成,通过全局随机和局部块掩码策略获得的全局和局部未经掩码的补丁提取点特征,然后使用特定的解码器进行重构,同时,为了进一步增强局部分支中的特征,我们提出了一个局部增强模块,使用局部补丁卷积方法感知更大尺度上的细粒度局部上下文。
Dec, 2023
提出了一种基于 Boosting 思想的 Autoencoder Ensemble 方法(BAE),它是一种无监督集成方法,利用加权采样来训练自编码器组件,并注入集成的多样性,它在各种条件下均优于现有技术水平的方法。
Oct, 2019