SCHA-VAE: 面向少量样本生成的分层上下文聚合

ICMLOct, 2021

SCHA-VAE: 面向少量样本生成的分层上下文聚合

SCHA-VAE: Hierarchical Context Aggregation for Few-Shot Generation

Giorgio Giannone, Ole Winther

TL;DR本文提出了一种名为 SCHA-VAE 的全层次聚合变分自编码器方法，将当前的潜变量模型扩展到一种更好地捕获小数据集内固有变化、适合深度生成模型的层级形式，实现了远离分布范围归纳的少样本生成数据的目标。

Abstract

A few-shot generative model should be able to generate data from a novel distribution by only observing a limited set of examples. In few-shot learning the model is trained on data from many sets from distributions sharing some underlying properties such as sets of characters from diff

few-shot generative model latent variable models hierarchical aggregation out-of-distribution generalization deep generative models

发现论文，激发创造

SetVAE: 面向集合结构数据的生成建模的层次组合学习

本文提出了一种基于 Attentive 模块的分层变分自编码器 (SetVAE)，用于生成点云，实现了对多尺度数据的编码，并达到置换不变性

Mar, 2021

通过变分特征聚合进行少样本目标检测

提出了一个以元学习为基础的框架，其中包括两种新的特征聚合方案。CAA 方法和 VFA 方法可以用于处理基础类别和新类别的混淆问题，并且可以提高分类和定位的精度。

Jan, 2023

生成少样本分类的代表性样本

基于条件变分自编码器模型，使用语义嵌入生成视觉样本，通过训练生成具有代表性的样本来改善数据稀缺性问题，提升 few-shot 分类效果，实验结果表明我们提出的方法在 1-shot 和 5-shot 设置下在 miniImageNet 和 tieredImageNet 数据集上实现了最先进的性能。

May, 2022

可扩展的分解层次变分自编码器训练

本文介绍一种基于变分推断的分层生成过程的因式分解分层变分自编码器（FHVAE）模型，该模型在许多语音应用方面已被证明可行，但其原始论文中提出的训练算法不适用于规模更大的数据集。本文提出了一种分层采样训练算法来解决这一问题，并对不同类型的数据集进行了全面评估，证明了我们提出的算法对所有数据集都表现出所需的特性。

Apr, 2018

具结构离散表示的深度生成模型的无偏学习

通过将图形模型与深度学习架构组合，我们学习具有两种框架优势的生成模型。我们提出了学习 SVAE 的新算法，并首次证明了 SVAE 处理丢失数据时处理多模态的能力。这些优化创新使 SVAE 能够通过梯度下降法进行学习。

Jun, 2023

变分同编码器：从少量样本中学习高容量生成模型的元学习

使用 Variational Homoencoder（VHE）技术，在 Omniglot 数据集中建立层次化的 PixelCNN，其效果优于所有现有模型，同时在一次性生成和分类任务上实现强大性能。

Jul, 2018

基于类条件深度生成模型的零样本学习

本论文提出了一个利用深度生成模型进行类预测的研究方法，不同于其他类似方法依赖于语义嵌入，我们基于属性条件设计了特定于类别的潜在空间分布，并利用这些潜在空间分布作为监督变分自编码器的先验，使其有更强的区分特征表达能力；同时通过无监督学习利用未标记的未见类别数据进行半监督 / 转导学习，并在少样本学习下与现有方法进行了对比测试。

Nov, 2017

用于细粒度少样本分类的变分特征解缠方法

本文研究了如何通过增大少样本学习中的类内方差，以提高图像的分类效果，通过变分推断的方式将类内方差分布从基本集合转移到新集合中。实验结果表明，在具有挑战性的细粒度少样本图像分类基准上，该方法在状态 - of-the-art 的方法上有明显提升。

Oct, 2020

f-VAEGAN-D2: 一种适用于任意样本学习的特征生成框架

本文提出了一种结合 VAE 和 GANs 的条件生成模型，同时通过无条件鉴别器，学习未标记图像的边缘特征分布，在归纳和传递性学习设置中，对任意量少量学习问题进行处理，并在五个数据集中建立了新的零 - 阈值学习的最新技术。同时，证明学习到的特征是可解释的。

Mar, 2019

树形变分自编码器

提出了一种新的生成分层聚类模型 ——Tree Variational Autoencoder（TreeVAE），它能够分层地划分样本并发现数据中潜在结构，并利用树形结构中的叶子节点解码器提高了生成性能。TreeVAE 在不同的数据集上表现出了较高的对数似然下界，并且通过条件采样能够从聚类中生成新的样本。

Jun, 2023