深度生成模型用于同时进行范围误差缓解和环境识别
本文提出了一种基于弱监督的学习框架，采用基于广义期望最大化（GEM）算法的深度学习方法，在弱监督标签的先验信息下对超宽带（UWB）测距误差进行鲁棒处理，实现了从原始数据中利用高语义特征的性能改进。
May, 2023
本文提出了一种基于变分贝叶斯的半监督深度学习方法，用于 UWB 定位系统的误差校正，通过融合深度学习技术和统计工具，实现从有标记和未标记的数据样本中高效地累积知识，相较于其他全监督方法，即使在低监督比例下，也取得了更好的性能。
May, 2023
本文讨论深度生成模型在无线网络管理中的应用，探讨了传统网络管理方法的问题，提出了一种 DGM 增强的框架，并对网络经济进行了案例研究。
Mar, 2023
本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。
Aug, 2020
深层生成模型（DGMs）是学习数据表示的多功能工具，可以充分融入条件概率分布等领域知识。本文提出了一种比较 DGMs 的可识别性理论，并通过将非线性独立成分分析领域的最新进展应用于其上进行扩展。我们证明了当混合函数是分段仿射函数（例如，由 ReLU 神经网络参数化）时，这些模型在一个广义的混合函数类中缺乏可识别性，但令人惊讶的是它们在这种情况下变得可识别。我们还探究了模型错误规范化的影响，并通过实验证明，先前提出的拟合比较 DGMs 的规范化技术在不提前知道潜变量数量时有助于可识别性。最后，我们引入了一种通过多目标优化来改进多数据源处理并以可解释方式使用约束优化来调整规范化超参数的方法。我们通过模拟数据以及最近用单细胞 RNA 测序对细胞中的遗传扰动进行描述的数据集对我们的理论和新方法进行了实证验证。
Jan, 2024
通过定义一个统一的贝叶斯框架，我们提出了一种变分贝叶斯图像转换网络（VBITN），该网络可以实现多个图像转换和编辑任务；在诸多实验中我们显示了该方法在无监督图像到图像翻译中的有效性，并证明了其在语义编辑和混合领域翻译方面的新颖高级能力。
May, 2023
针对环境监测中的时空变异性，我们提出了一种规划与学习方法，通过学习和完善环境模型，实现自主海洋监测任务；该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件，提高了计算效率，仿真结果表明该方法准确性和效率兼备。
Sep, 2016
通过生成建模方法，本文提出了一种可扩展的多时相遥感变化数据生成器，以解决遥感图像数据的收集和预处理问题，使得数据生成自动化和降低成本，并展示了该方法在生成能力和迁移性方面的优势。
Sep, 2023
本文介绍了一种基于人工智能普适性原理的单变量信号反卷积方法，该方法基于生成模型，结合信息论和算法概率，旨在研究非随机数据如何编码关于物理特性的信息，可用于编码理论、密码学、信号处理、因果反卷积、生命学和技术特征检测等领域。
Mar, 2023