Jun, 2021

Multi-VAE: 学习多视角聚类的视角间分离与共通视觉表示

PDF
TL;DR本研究提出了一种基于 VAE 的多视图聚类框架 (Multi-VAE)，通过学习解缠视觉表示来实现高效的多视图聚类。实验表明，Multi-VAE 在获得解缠和可解释的视觉表示的同时，与现有方法相比，获得了更好的聚类性能。
multi-view clusteringdisentangled visual representationsvaegumbel softmax distributionclustering performance
发现论文，激发创造
  • 自然聚类下的鲁棒表征学习和解排

    我们提出 N-VAE，一种深度模型，能够检测和区分不同类别之间独有和共享的可变因素，并生成包含训练数据中看不到特征的人工样本。

    Jan, 2019

  • 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

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017

  • 基于划分的解缠：一种用于多模态感官数据的表示学习框架

    本文提出了一种基于 PVAE 的多模态生成模型，可将共享因素和模态相关因素编码为不同的潜变量，用于生成符合不同语义和风格要求的条件数据，并利用发现的语义单元在两个音频 / 图像数据集上完成了定量和定性的评估。

    May, 2018

  • 多视角聚类的共享生成潜在表示学习

    本文提出了一种基于共享生成潜在表征的多视角聚类方法，通过深度生成学习从视角中提取非线性特征并捕捉视角之间的相关性以达到更好的聚类性能，并在多个不同规模的数据集上得到了优于现有方法的实验结果。

    Jul, 2019

  • 多方面和缺失数据的解缩变分自编码器表示

    factVAE 是一种鲁棒的深度生成模型，能够处理多方面的数据，在缺失数据的情况下表现良好，并且以一种能够鼓励群体和潜在维度之间分离的方式进行处理。

    Jun, 2018

  • 多模式变分自编码器中共享和私有潜在因素的解耦

    用于多模态数据的生成模型可用于识别与观察数据异质性重要决定因素相关的潜在因素。然而，存在一些变量是特定于单个模态的私有变量，而共享变量对解释多模态数据的变异性很重要。本研究探讨了多模态变分自编码器在可靠地实现这种解缠的能力方面，针对一种挑战性的问题设置，其中模态特定变异占主导地位，并提出了一种修改方法，使其对模态特定变异更加鲁棒。我们的发现得到了合成数据和多种真实世界多组学数据集的实验证实支持。

    Mar, 2024

  • VAE 解缠结先决条件：感知重叠

    本文研究如何通过修改重建损失来实现 VAE 的去纠缠表征，并提出一种广义对抗训练的数据集来破解现有的去纠缠框架。

    Feb, 2022

  • 使用无监督深度学习进行早期视觉概念学习

    本文提出了一种基于无监督学习、从神经科学中获得灵感的方法，利用变分自编码器对图像数据进行学习，从而获得解耦表示。该方法可以使神经科学的研究成果得以应用到实际中，同时还有零样本推理和直观理解的优点。

    Jun, 2016

  • 多模态分层变分自编码器与因子分析潜变量

    本篇论文提出了一种新方法 FA-VAE，以克服深度生成模型的解释性，灵活性和模块化方面的局限性，并提高了数据共享和迁移学习的性能。

    Jul, 2022