Jul, 2023

融合树（和持久图）的 Wasserstein 自编码器

PDF
TL;DR本文提出了一种基于合并树（MT-WAE）的 Wasserstein 自编码计算框架，该框架是传统自编码神经网络架构到 Wasserstein 度量空间的一种新扩展，在每个网络层上显式地处理相关度量空间上的合并树，从而提高了准确性和可解释性，并可用于数据压缩和降维的应用。
merge treeswasserstein auto-encodingneural networkdata reductiondimensionality reduction
发现论文，激发创造
  • Wasserstein 自编码器

    本文提出了 Wasserstein 自编码器（WAE）算法，通过最小化 Wasserstein 距离来构建数据分布的生成模型，并与其他技术进行比较，表明其是对抗自编码器（AAE）的推广，可用于生成更高质量的样本。

    Nov, 2017

  • 用 Wasserstein 自编码器进行并发密度估计：一些统计学见解

    通过神经网络引发的转换，我们从统计的角度提出了对 WAEs 机制的理论理解，并在存在敌对情况下分析了这些随机误差的传播，探索了重建分布的大样本特性和 WAE 模型的弹性。

    Dec, 2023

  • Wasserstein 自动编码器用于主题建模

    我们在 Wasserstein 自编码器（WAE）框架中提出了一种新颖的神经主题模型。通过直接在潜在文档 - 主题向量上施加狄利克雷先验，利用潜在空间的结构并应用合适的核，在最小化最大均值差异（MMD）中进行分布匹配，我们发现 MMD 在匹配高维度狄利克雷分布方面比生成对抗网络（GAN）表现更好。我们还发现，训练过程中在编码器输出中引入随机性可以产生更加连贯的主题。为了衡量所产生的主题的多样性，我们提出了一个简单的主题唯一性度量。结合广泛使用的语义相关性度量 NPMI，实验证明我们的模型比现有模型产生更好的主题质量。

    Jul, 2019

  • 关于 Wasserstein 自编码器的潜空间

    研究了 Wasserstein 自动编码器中潜在空间维度的作用，通过对合成和实际数据集的实验，提出了随机编码器应优于确定性编码器的观点，并强调了在基准解缠任务中代表学习的 WAE 的潜力。

    Feb, 2018

  • 基于 Wasserstein 自编码器的低维本质数据的统计分析

    研究论文通过适当选择网络结构，展示了 WAEs 能够学习数据分布，并且其收敛速度与特征维度无关，只依赖于数据分布的内在维度。

    Feb, 2024

  • Gromov-Wasserstein 自编码器

    本文提出了一种新的表征学习方法，Gromov-Wasserstein Autoencoders（GWAE），通过将 variational autoencoding scheme 与 Gromov-Wasserstein metric 相结合来直接匹配潜变量和数据分布，以实现在不改变其目标的情况下将 meta-priors 引入潜空间。

    Sep, 2022

  • 自编码树用于城市生成和应用

    基于收集的数据集，本文提出了一种名为 AETree 的树状自动编码器神经网络，用于城市生成。该模型利用空间几何距离测量建筑布局的相似性，通过构建二叉树来提取和合并空间信息，最终实现了 2D 和 3D 城市生成。此外，AETree 学到的潜在特征可用于城市规划应用。

    Sep, 2023

  • 快速而精确的拓扑比较与合并树神经网络

    通过使用图神经网络和拓扑注意机制，合并树神经网络 (MTNN) 可以快速高质量地计算合并树的相似性，该方法优于现有的合并树比较方法，并在不同领域的真实数据上展示了其强大性能。

    Apr, 2024

  • 解缠脱的递归 Wasserstein 自编码器

    本文提出了一种新的循环 Wasserstein 自编码器 (R-WAE) 框架，可用于序列数据的生成建模，通过将输入序列的表示分离成静态和动态因素，并同时最大程度优化输入数据和不同的分离潜在要素之间的互信息，进一步扩展和优化了 (循环) VAE 的性能。

    Jan, 2021

  • 切片 - 瓦热斯坦自编码器：一种尴尬地简单的生成模型

    本文介绍了一种新的基于 Sliced-Wasserstein Autoencoders (SWAE）的生成模型，使用最优输运（Optimal Transport，OT）问题和 Wasserstein 距离。通过在自编码损失中加入 sliced-Wasserstein 距离，可以将潜在空间的分布形状成任何可取样的概率分布，同时避免了训练对抗网络或定义分布的需要。我们证明了这种方法具有类似于 Wasserstein Autoencoders （WAE）和 Variational Autoencoders（VAE）的能力，而且实现简单高效。

    Apr, 2018