ICLRMar, 2023

自回归条件神经过程

PDF
TL;DR本文介绍了一种基于条件神经过程的预测方式，在测试阶段以链式规则定义联合预测分布，从而克服条件神经过程只能独立预测的缺点，实现高度相关、非高斯的预测，且性能显著优于非自回归条件神经过程，在不需要额外的近似推断或昂贵的训练策略的情况下，达到了与更复杂的预测模型竞争的水平。
conditional neural processesautoregressive modepredictive distributionneural autoregressive density estimatordependent predictions
发现论文，激发创造
  • 条件神经过程

    本文提出了一系列的神经模型 CNPs，结合了深度神经网络和高斯过程两种方法，旨在对给定数据集做出精确预测。

    Jul, 2018

  • 证据性条件神经过程

    Evidential Conditional Neural Processes proposes a hierarchical Bayesian structure for the uncertainty decomposition in few-shot learning tasks to achieve robustness on noisy training tasks and extensive experiments demonstrate its effectiveness.

    Nov, 2022

  • 自适应条件分位数神经过程

    本文提出了一种新的神经过程成员 Conditional Quantile Neural Processes（CQNPs），采用量化回归来对复杂的分布进行建模，通过学习估计有信息量的分位数来增强抽样效率和预测准确性，并在实验数据集上与基线算法进行比较，展示了预测性能的显着提高。

    May, 2023

  • 关系条件神经过程通过实用等变性实现

    本研究提出关系条件神经过程（RCNPs），旨在将等变性巧妙地整合到神经过程模型中，从而提升了其在高维度数据下的适用性和影响力，并在大量自然包含等变性的任务上展示了 RCNPs 的高竞争性能。

    Jun, 2023

  • 光谱卷积有条件神经过程

    基于神经网络将概率模型参数化的条件神经过程（CNP）能够提供良好校准的预测，特别适用于元学习问题。SConvCNPs 是 NPs 家族的新成员，通过在频域更有效地表示函数，克服了 ConvCNP 在处理有限和不规则采样的数据时捕捉长程依赖和复杂模式的挑战。

    Apr, 2024

  • 自编码条件神经过程用于表征学习

    该论文介绍了一种基于条件神经过程和图像上下文的模型框架 —— 部分像素空间变分自动编码器（PPS-VAE）来解决视觉领域的图像修复问题，通过该方法不仅可以同时获取上下文和适配条件神经过程，而且其空间排布和值提供了有关图像内容的有力信号。

    May, 2023

  • 扩散增强神经过程

    基于扩散的方法能够通过对加噪数据集进行条件化，解决了当前神经过程模型中存在的一些限制，并且在性能上超越了目前的最先进技术。

    Nov, 2023

  • 卷积条件神经过程

    本研究介绍了卷积条件神经过程 (ConvCNP)，它是神经过程家族中的新成员，能够建模数据中的平移等变性。研究表明，加入平移等变性的建模有助于更好地处理时间序列、空间数据和图像，而且卷积深度集能够实现任何平移等变嵌入。研究还证明，ConvCNP 在多个设置中取得了良好的性能，并且能够在挑战性的任务中实现零样本泛化。

    Oct, 2019

  • 使用条件神经自适应过程进行快速灵活的多任务分类

    本文提出了一种基于条件神经过程的多任务分类方法，该方法可以在初步的多任务训练阶段后自适应地适应测试时遇到的新任务，并与元学习和少样本学习文献建立联系。实验结果表明，该方法在具有挑战性的 Meta-Dataset 基准测试中取得了最先进的效果，表明了高质量的迁移学习能力；而且该方法具有很好的稳健性，避免了低数据情况下的过拟合和高数据情况下的欠拟合，是一个计算效率高的测试时间方法，并且可以暂时不用迁移学习也可以在连续学习和主动学习方面取得超越现有方法的效果。

    Jun, 2019

  • 神经自回归分布估计

    本研究提出了使用神经网络模型通过权值共享和概率乘积规则实现无监督分布和密度估计的新方法，并探讨了如何构建深度神经网络在建模二进制和实值观察方面具有竞争力的性能以及如何利用深度卷积神经网络来处理图片中的拓扑结构。

    May, 2016