从局部几何的视角看 $β-$VAE 的对抗性鲁棒性
研究了变分自编码器(VAEs)对抗攻击和其他输入扰动的鲁棒性,提出了用于构建 VAEs 鲁棒性的新准则,并定义了在输入空间中的保证条件,VAEs 训练使用解缠方法得出的评分在我们的鲁棒性指标下表现良好,这些原因可以解释为我们理论结果的结果。
Jul, 2020
本文第一次对生成自编码器的最坏情况容忍性进行研究,发现在某些情况下,恶意攻击者可以利用潜在空间攻击常见的生成自编码器,同时我们通过实验还发现了生成自编码器与其确定性变体之间的差异,并考虑了在最坏情况容忍性和潜在代码解缠之间的潜在权衡。
Jul, 2023
本文提出了一种新的鲁棒性较高的异常检测方法,使用改进过的 Variational Autoencoder (VAE) 模型,在处理高度噪声的训练数据时具有较好的鲁棒性,并在标准基准测试中取得了最新的成果。
Jun, 2020
通过研究使用变分自编码器(VAE)进行异常检测的方法,本文提出了新的分析和算法方法来纠正 VAE 似然值中的偏差,并展示了一种用于改进异常检测的先前已知图像预处理技术,最终在九个灰度图像和自然图像数据集上实现了最先进的准确度,同时跑的更快且性能更佳,轻量的修复程序就能够实现 VAE 的强健异常检测。
Aug, 2021
本文提出了在潜空间上采用 Riemannian 结构和 Riemannian Brownian motion 先验来代替传统高斯先验,从而提高 Variational Autoencoder 的模型能力。
Feb, 2020
Levenstein VAE 提出了一种简单易优化且避免后验坍塌的新目标,通过在生成的序列的每个时间步中根据 Levenshtein 距离预测最优延续来生成序列,从而产生比其他方法更具信息化的潜在表达。
Apr, 2020
利用预测时间下一节点以及基于时间平滑性的模型选择度量,我们提出了一种能够减轻 VAE 学习虚假特征,并能在合成数据集中准确恢复潜在因素的 VAE 架构。
Dec, 2023
这篇文章介绍了一种对变分自动编码器 (VAEs) 进行简单扩展的方法,通过渐进性减小潜空间大小来自动确定训练过程中的最佳潜空间大小,并将该方法与传统的超参数网格搜索进行比较,结果表明其速度显著更快,且在四个图像数据集上实现了最佳的维度。此外,还证明了我们方法的最终性能与从头开始训练的最佳潜空间大小相当,因此可能作为一种便利的替代方法。
Dec, 2023
结合自动编码器和生成对抗网络的方法,提出了一种用于医学领域异常检测的新模型 beta-VAEGAN。通过训练核支持向量机,并考虑非线性关系,改进了异常检测性能,并提出了一种新的异常得分组成元素。相比现有最先进方法,在 MITBIH 心臟節律失常数据库上,将异常检测的 F1 得分从 0.85 提高到了 0.92。
Oct, 2023