MMJan, 2022

智能家居中用于合成数据生成的变分自编码生成对抗网络

PDF
TL;DR本文提出 VAE-GAN 作为智能电网数据生成模型，能够学习各种数据类型分布并从同一分布生成逼真的样本。实验结果显示，该模型的合成数据比 Vanilla GAN 网络更接近真实数据分布。
smart griddata sciencemachine learninggenerative modelsynthetic data
发现论文，激发创造
  • 智能家居能源管理：VAE-GAN 合成数据集生成器和 Q 学习

    本文介绍了一种基于 VAE-GAN 的生成模型技术以产生智能家居能源消耗的时间序列数据，并探讨了当生成模型与基于 Q 学习的 HEMS 相结合时的性能。实验结果表明，基于 VAE-GAN 生成的合成数据与真实数据分布非常接近，并且可以产生比基准方法更高性能的基于 Q 学习的 HEMS。

    May, 2023

  • 多对抗变分自编码网络

    介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构，它是 VAE-GAN 网络的一个创新应用，在人工合成图像方面有很好的表现。

    Jun, 2019

  • Faraday: 智能电网的合成智能电表生成器

    通过使用合成数据，本文介绍了基于 Variational Auto-encoder (VAE) 模型的 Faraday，该模型通过训练英国一个能源供应商的 3 亿次智能电表数据读数，并结合属性和低碳技术的信息，产生与实际数据相当的家庭负荷曲线，为未来能源网络的网格建模人员提供了实际应用的参考。

    Apr, 2024

  • 利用条件扩散和构建元数据创建合成能源计量数据

    使用相关元数据来生成高质量的合成能源数据的条件扩散模型相比于传统方法表现出更好的性能，具有较低的 Frechet Inception Distance（FID）得分和 Kullback-Leibler divergence（KL 散度）的减少。

    Mar, 2024

  • 自动编码生成对抗网络的变分方法

    本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

    Jun, 2017

  • 针对具有鲁棒性的半监督学习的对抗变分嵌入

    我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

    May, 2019

  • 深层生成模型的统一化

    本文介绍了针对生成模型学习中 GAN 和 VAEs 的新方法，并阐述了 GAN 和 VAEs 的相似性和差异性，探讨了它们的后验推理和 KL 散度的最小化问题，并将 VAEs 的 importance weighting 方法应用到 GAN 的学习中，同时采用对抗性机制加强 VAEs 模型，实验证明了这些方法的普适性和有效性。

    Jun, 2017

  • 使用生成对抗网络进行数据中心多元情景预测的数据增强

    本文探讨了利用生成对抗网络 (GANs) 进行时序数据的合成预测，从而实现在数据中心 (Data Center) 中生成大量可供人工智能算法使用的合成数据的目标，同时提出了通过综合考虑 Kullback-Leibler 散度和均方误差这两个新测量指标来验证合成时间序列的方法，并通过实际数据进行验证。该研究能帮助优化数据中心的能源消耗，而所提出的方法也可应用于类似的时间序列问题。

    Jan, 2022

  • 使用蒙特卡罗 dropout 生成数据

    研究利用 Monte Carlo Dropout 方法为基础实现的自编码器与变分自编码器，并比较其生成数据集的统计属性、结构相似性和预测相似性与真实数据集的相似性，结果表明两种方法基本相似，并且都能够生成与特定数据相似的数据。

    Sep, 2019

  • 一个改进的表格数据生成器与 VAE-GMM 集成

    提出了一种基于变分自编码器的模型，该模型以贝叶斯高斯混合模型为基础，在处理表格数据时能够更准确地表示潜在数据分布，同时具有更灵活的特性和更好的性能。

    Apr, 2024