KDDJun, 2022

基于变分自编码器的图扩散源定位用于图反问题

PDF
TL;DR本文提出了一种基于概率模型的通用框架：SL-VAE 来定位任意扩散模式下的扩散源。SL-VAE 利用前向扩散估计模型和深度生成模型，近似扩散源分布并量化不确定性。最后，通过导出一个统一的目标函数，强制模型在任意扩散模式下进行泛化。在 7 个真实世界的数据集上进行的广泛实验表明了 SL-VAE 在重建扩散源方面的优越性。
graph diffusionsource localizationprobabilistic modelvariational autoencoderdeep generative models
发现论文，激发创造
  • 可逆图扩散神经网络用于源定位

    本文提出了一种基于可逆的有效图扩散模型的通用框架，用于在图上进行源定位，该模型可处理包括难以在端到端方式中对图扩散模型的逆过程建模、难以确保推断出的来源的有效性以及源推断的效率和可伸缩性等主要挑战。

    Jun, 2022

  • 基于两阶段降噪扩散模型的图反问题源定位

    提出一种二阶段优化框架，即源定位去噪扩散模型（SL-Diff），其中在粗略阶段设定源接近度作为监督信号以生成粗略的源预测，引入以上文深度扩散模型中级联时间信息的改进方法，转化了多对一映射关系为一对一映射关系，从而更好地解决了反问题中的不适定问题，在后续细节优化阶段设计了一种扩散模型来量化传播中的不确定性，实验结果表明，提出的 SL-Diff 在合理的采样时间内能够给出出色的预测结果。

    Apr, 2023

  • 变分扩散自编码器：具有无条件扩散先验的深层潜变量模型

    采用扩散模型集成编码器和无条件扩散模型的得分函数，消除了 VAE 图像模糊的问题，并显著提高了性能。

    Apr, 2023

  • 多源神经变分推断

    本文提出了一个基于可变自编码器的多源学习框架，其中每个自编码器都是在不同的信息源的条件下进行的。我们在小数据集上展示了其学习效果，并在结构化输出预测方面进行了评估，同时证明了在多源情况下冲突检测和冗余可以增强推断的鲁棒性。

    Nov, 2018

  • 多源轨迹建模与分离的动态变分自编码器混合

    本文中，我们提出了一种称为混合动态变分自编码器（MixDVAE）的潜在变量生成模型，用于建模由多个移动源组成的系统的动态。通过在单源数据集上预训练 DVAE 模型来捕捉源的动态，然后将多个预训练 DVAE 模型的实例集成到一个多源混合模型中，带有离散观测 - 源分配潜变量。使用变分期望最大化算法估计离散的观测 - 源分配变量和表示源内容 / 位置的连续 DVAE 变量的后验分布，从而得到多源轨迹估计。我们在计算机视觉任务（多目标跟踪）和音频处理任务（单声道音频源分离）上展示了所提出的 MixDVAE 模型的多功能性。实验结果表明，该方法在这两个任务上表现良好，并超过了几种基准方法。

    Dec, 2023

  • 具随机游走采样的变分扩散自编码器

    本文提出一种方法，将变分自编码器和生成对抗网络与扩散映射相结合，创建了一个继承扩散映射渐近保证的生成模型，同时保持深度模型的可扩展性。

    May, 2019

  • 使用去噪扩散概率模型对分子图进行变分自编码

    本文提出了一种新的分子深度生成模型，该模型在概率潜变量中加入分层结构，并能通过小数据集实现有效的分子潜在向量设计和物性预测。

    Jul, 2023

  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 扩散变分自编码器

    本文介绍了使用扩散变分自编码器作为潜在空间的任意流形来解决标准变分自编码器无法捕捉某些数据集拓扑性质的问题。我们证明了其可以捕捉合成数据集的拓扑性质，并在各种流形上对 MNIST 数据集进行了训练。

    Jan, 2019

  • GraphVAE: 使用变分自编码器生成小图

    本文提出一种基于变分自编码器的方法，通过直接输出预先定义大小的概率性的全连接图来解决学习图嵌入任务中的线性化困境，并在分子生成任务中进行了评估。

    Feb, 2018