DAVA: 逆敌对变分自编码器解耦

ICLRMar, 2023

DAVA: Disentangling Adversarial Variational Autoencoder

Benjamin Estermann, Roger Wattenhofer

TL;DR介绍了一种名为 DAVA 的新型变分自编码器训练程序，该程序完全消除了超参数选择问题，发现了一种名为 PIPE 的无监督分离的必要条件，并证明了 PIPE 可以积极预测抽象推理中下游模型的性能。

Abstract

The use of well-disentangled representations offers many advantages for downstream tasks, e.g. an increased sample efficiency, or better interpretability. However, the quality of disentangled interpretations is often highly dependent on the choice of dataset-specific hyperparameters, i

disentangled representations hyperparameter selection variational auto-encoders unsupervised disentanglement abstract reasoning

发现论文，激发创造

半监督学习的解缩变分自编码器

本文提出了一种名为 SDVAE 的半监督变分自编码器，其将输入数据转化为可解释和不可解释的特征表示，使用分类信息来规范可解释的特征表示，并使用强化学习来增强特征学习能力，此框架适用于图像和文本数据。

Sep, 2017

无自编码的无监督解缠的陷阱和未来方向

本文研究基于对比学习的正则化方法来实现大规模数据集的非监督式解缠表示学习，并分析了不同正则化方法的利弊与下游任务性能表现。

Aug, 2021

对比分解时序变分自编码器

提出了一种称为对比去纠缠顺序变分自动编码器（C-DSVAE）的方法来进行自我监督的去纠缠表示学习，并使用对比估计的互信息以及简单且有效的数据增强技术来引入附加的归纳偏差。实验结果显示，C-DSVAE 在多个度量标准上显著优于现有的最先进方法。

Oct, 2021

DSVAE: 可解释的分离合成语音检测表示

本文提出使用 Disentangled Spectrogram Variational Auto Encoder (DSVAE) 处理语音谱图以生成可解释的表示，并创建激活映射来区分合成和真实人类讲话信号，通过 ASVspoof2019 数据集获得高精度（>98%）检测多种语音合成器合成的语音。

Apr, 2023

利用解缠结构图自编码器学习网络表示

我们介绍了 “解缠图自编码器” 和 “解缠变分图自编码器”（DGA 和 DVGA）的方法，其利用生成模型学习解缠表示，通过设计多通道信息传递层的解缠图卷积网络作为编码器，以及引入在不同潜在因素上的独立性约束，我们的方法在合成和真实数据集上实验表明其优越性。

Feb, 2024

用于推荐系统中偏好理解的因果分离变分自编码器

本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法

Apr, 2023

变分自编码器的解缠学习在音视频语音增强中的应用

本文提出了一种适用于变分自动编码器的对抗训练方案，用以将标签与变量区分开来，提高语音增强的性能。通过对比标签估计值和实际值，可以证明该方案的有效性。

May, 2021

引导式变分自编码器用于分离式学习

设计一种算法 Guided-VAE，通过提供信号来实现 VAE 的潜在编码 / 嵌入，以学习可控的生成模型，该算法在表示学习，合成 / 采样改进，分类中取得了更好的效果

Apr, 2020

VAE 解缠结先决条件：感知重叠

本文研究如何通过修改重建损失来实现 VAE 的去纠缠表征，并提出一种广义对抗训练的数据集来破解现有的去纠缠框架。

Feb, 2022

基于变分自编码器的连续处理效应估计的解耦表示

本文提出了一种利用变分自编码器（DRVAE）实现剂量响应曲线估计的新方法，通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子，从而在连续治疗情景下平衡分解的混淆因子，以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明，我们的模型优于当前的最先进方法。

Jun, 2024