一种新的堆叠自编码器：邻域样本包络嵌入的堆叠自编码器集成模型

Oct, 2022

一种新的堆叠自编码器：邻域样本包络嵌入的堆叠自编码器集成模型

A new Stack Autoencoder: Neighbouring Sample Envelope Embedded Stack Autoencoder Ensemble Model

Chuanyan Zhou, Jie Ma, Fan Li, Yongming Li, Pin Wang...

TL;DR本文提出了一种新的堆叠自编码器模型 - 邻近信封嵌套堆叠自编码器集成模型（NE_ESAE），该模型使用邻近样本信封学习机制进行优化，采用多层迭代平均聚类方法生成具有层次结构信息的信封样本空间，然后在每个样本空间的层上进行嵌套自编码器（ESAE）的训练和特征减少与基分类器的分类，最终通过集成机制融合信封样本空间的每一层的分类结果，实验结果表明这种方法比传统的特征学习方法和代表性的深度自编码器有显着的性能优势。

Abstract

stack autoencoder (SAE), as a representative deep network, has unique and excellent performance in feature learning, and has received extensive attention from researchers. However, existing deep SAEs focus on original samples without considering the hierarchical structural information

stack autoencoder neighbouring envelope embedded stack autoencoder ensemble sample space clustering feature reduction classification

发现论文，激发创造

自编码器的结构化

本文提出了一种称为 Structuring AutoEncoders 的神经网络，其可以使用弱监督形成结构化的低维空间，从而更有效地表示并分类数据。在基准图像数据集 MNIST、Fashion-MNIST、DeepFashion2 以及 3D 人体形状数据集上进行的实验表明，结构潜空间可以为进一步的分类任务和分类数据的有效选择的操作提供更高效的表征。

Aug, 2019

零日威胁的特征选择自编码器叠加

采用堆叠自编码器（SAE）和长短期记忆（LSTM）方案，通过特征选择和零日威胁分类，实现对零日攻击的检测和分类，结果表明 SAE-LSTM 模型具有较高的准确性、召回率和 F1 分数，能够有效识别各种类型的零日攻击。

Nov, 2023

SAE：单体架结合神经网络

通过单个神经网络中的早期退出和多输入多输出框架，将分散的神经网络集成为一个单一的体系结构集合，提高准确度和置信度校准，并减少运算和参数量。

Feb, 2024

使用堆叠自编码器进行特征选择的勒索软件检测

提出并评估一种结合堆叠自编码器（SAE）进行精确特征选择和长短期记忆（LSTM）分类器以提高勒索软件分层准确性的先进勒索软件检测和分类方法。

Feb, 2024

使用监督自编码器的半监督分类在生物医学应用中的应用

这篇文章介绍了一种新的半监督分类方法，该方法使用监督自编码器网络，将标签编码到自编码器的潜空间，并定义一个结合分类和重构损失的全局准则，用 PyTorch 实现该半监督自编码器方法并展示其在生物医学应用中的卓越表现。

Aug, 2022

抽样 - 变分自编码器 - 集成：追求可解释人工智能的探索

通过采样 - 变分自动编码器 (VAE) - 集成异常检测 (SVEAD) 的新框架，本文在可解释人工智能 (XAI) 的话题上做了实证评估，发现将集成叠加、VAE 和 SHAP 结合在一起不仅可以提高模型性能，而且能够提供一个易于解释的框架。

Sep, 2023

邻居嵌入变分自编码器

本文介绍了变分自编码器（VAE）在 posterior collapse 现象中的缺陷，并提出了一种基于邻居嵌入的 VAE（NE-VAE）模型，它能够防止 posterior collapse 现象的发生，同时保留大部分潜变量维度的活跃性，有利于下游的潜空间优化任务。

Mar, 2021

无监督基于增强的自编码器集成用于异常检测

提出了一种基于 Boosting 思想的 Autoencoder Ensemble 方法（BAE），它是一种无监督集成方法，利用加权采样来训练自编码器组件，并注入集成的多样性，它在各种条件下均优于现有技术水平的方法。

Oct, 2019

监督自编码神经网络潜空间配置的泛化改进

本文研究了自编码器的潜在空间（LS）属性，并提出了两种获得期望拓扑结构的 LS 配置方法。研究表明，利用几何损失项直接作用于 LS 的损失配置方法可以可靠地获得期望的 LS 配置，从而可以在 LS 中定义相似性度量来预测标签或估计多个输入的相似性，而无需使用解码器或分类器。研究还证明，使用所提出的方法训练的有监督自编码器在纹理分类方面表现良好，并且可以在没有微调的情况下很好地泛化到来自 LIP、Market1501 和 WildTrack 数据集的未见数据，甚至可以用于评估未见类的相似性。此外，通过跨数据集搜索和基于文本查询进行文本搜索的实验证明了预配置的 LS 相似性估计的优势，而无需使用语言模型。

Feb, 2024

零样本学习的语义自编码器

该论文提出一种基于语义自编码器的零样本学习方法，在编码器 - 解码器框架下，通过对编码 - 解码的自重建能力进行优化，从而使得模型更加泛化并可以在无训练数据的情况下预测新的未知类别。

Apr, 2017