Jan, 2023

利用物理组织的潜在空间解码结构 - 光谱关系

PDF
TL;DR提出了一种新的半监督机器学习方法来发现结构 - 光谱关系，并且使用 X-ray 吸收近边结构（XANES）光谱的解释作为特定例子。这种方法构建了一个将个体结构描述符与光谱趋势进行一对一映射的方法，并通过引入新的排序约束（RankAAE）来增强对抗性自动编码器。RankAAE 方法产生了一个连续和可解释的潜空间，其中每个维度都可以跟踪一个单独的结构描述符。通过使用五个局部结构描述符以及超过五万个模拟 XANES 光谱，展示了该程序的能力，结果不仅重现了文献中已知的趋势，而且还揭示了在大数据集中无法区分的不可思议的趋势。结果表明，RankAAE 方法具有帮助研究人员解释复杂科学数据，测试物理假设和揭示扩展科学见解的巨大潜力。
发现论文，激发创造
  • 基于深度光谱聚类的数据立方体分割

    扩展视觉技术在物理学中非常普遍，然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题，我们探索了在编码空间中应用无监督聚类方法的可能性，通过数据立方体像素的光谱属性进行深层聚类，该过程由经过训练的变分自动编码器进行统计降维，同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例：一组关于绘画艺术品的宏观映射 X 射线荧光（MA-XRF）合成数据和模拟天体观测的数据集。

    Jan, 2024

  • 逆可逆低维建模用于光谱 X 射线成像的潜在应用

    本文提出了一种结合深度神经网络自编码器和基于奇异值分解（SVD）的最优线性模型的新颖的非线性模型，相比传统模型在建模包含感兴趣能量范围内的 X 射线吸收光谱时具有优势。

    Jul, 2023

  • 学习结构感知的深度谱嵌入

    本研究提出了一个深度学习算法，通过结构感知谱嵌入和结构保持，编码输入数据的子空间结构和形状信息，并基于自表达学习和注意力机制，能够更好地处理非线性数据集的聚类问题，并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。

    May, 2023

  • 借助扩散模型的光谱引导下对无序材料的三维结构发现

    通过扩散模型，我们提出了一个基于生成式机器学习的新框架，用于从目标性质预测无序材料的三维结构。我们应用该模型来识别非晶碳的原子结构，通过 XANES 光谱引导条件生成，并展示了其生成大规模结构的能力。这一工作极大地弥合了材料表征和原子结构确定之间的差距，并可用于探索各种材料性质的材料发现。

    Dec, 2023

  • 无监督文本风格转移的鲁棒和语义组织潜在表示

    该研究提出了一种基于 EPAAEs 的方法，通过在连续嵌入空间中添加一个可调整噪音组件来完善扰动模型，从而更好地聚类风格相似的句子，且在文本风格转移任务上表现优异，同时还将文本风格转移任务扩展到 NLI 数据集，并证明了该方法最适合学习具有更复杂风格的数据集。

    May, 2022

  • 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

  • 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

  • PCAAE：主成分分析自编码器用于生成网络的潜空间组织

    提出了一种新的自编码器（PCAAE），它能够无监督地将数据的内在属性分离成潜空间的不同组成部分，达到了解决深层生成模型中的潜变量空间问题的目的。与其他最先进的方法相比，PCAAE 的能力更好，在潜空间中解开属性的存在，实现了属性的分离。

    Jun, 2020

  • 降秩自编码器 —— 增强非线性流形上的插值

    我们介绍了 Rank Reduction Autoencoder (RRAE)，这是一个具有扩展的潜在空间的自编码器，通过约束具有小的预定主奇异值数量（即低秩）来实现。RRAE 的潜在空间足够大，可以实现准确的预测，并进行特征提取。

    May, 2024

  • 面向序列数据的稳健无监督解缠方法 -- 以音乐音频为例研究

    该论文提出了 TS-DSAE 模型，通过两阶段的训练框架，首先学习序列级先验分布，然后采用这些分布来规范模型，并促进辅助目标以促进解缠。该模型具有鲁棒性，适用于人工和真实世界的音乐音频数据集。

    May, 2022