Jul, 2023

用变分自动编码器学习随机过程的最小表示

PDF
TL;DR通过无监督机器学习方法，介绍了一种确定有效描述随机过程动态的最小参数集的方法，并展示其在提取精确描述这些动态的最小相关参数方面的效果。此外，该方法可用于生成忠实地复制预期随机行为的新轨迹，从而提高我们对不同领域复杂现象的理解。
发现论文，激发创造
  • 利用自编码器对未知随机动态系统进行建模

    我们提出了一种数值方法，可以从轨迹数据中学习一个精确的预测模型，以预测未知随机动力系统。该方法使用自编码器的思想来识别未被观察的潜在随机变量，并通过深度神经网络来设计编码器和解码器，从而重建系统的未来状态。经过大量的数值示例验证，该方法能够使用短时间的轨迹数据产生长期的系统预测结果，并适用于非高斯噪声驱动的系统。

    Dec, 2023

  • 变分自编码深度高斯过程

    通过与一个识别模型相结合，我们开发了一个可扩展的深度非参数生成模型。在利用多层感知器的变分框架下，我们重新参数化变分后验分布，并推导出一个可处理深度学习任务规模数据集的变分下界公式，证明了该方法在深度无监督学习和深度贝叶斯优化领域的有效性。

    Nov, 2015

  • 基于预测性变分自编码器的时间序列数据鲁棒表示学习

    利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

    Dec, 2023

  • 使用变分自编码器进行潜变量建模：一项调查

    本文深入探讨了概率分布和变分自编码器的理论，并总结当前研究现状；适合机器学习初学者了解概率分布学习中的核心思想及其在深度学习领域的应用，并为此子领域的新参与者提供了一个适宜的入门机会。

    Jun, 2022

  • 自动编码变分贝叶斯

    本文介绍了一种基于随机变分推理 (Variational Inference) 的学习算法，可以为存在潜变量的、具有难以处理的后验分布的连续概率模型提供有效的推理和学习方法，特别是在大型数据集下具有较好的表现，且已经在实验上得到了验证。

    Dec, 2013

  • 利用变分自动编码器学习困难量子分布

    研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态，该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。

    Oct, 2017

  • 协同塑形的变分生成随机网络

    通过展开变分自动编码器为马尔可夫链并使用启发式方法来训练生成模型，结合强化学习中某些策略搜索的正则化技术，我们在 MNIST 和 TFD 数据集上实验证明了该方法在定量和定性表现上都达到了最先进水平。

    Aug, 2017

  • 变分自编码器教程

    介绍了变分自编码器（VAE）背后的直觉，解释了其背后的数学原理，并描述了它们的一些经验行为。

    Jun, 2016

  • 随机过程的对比表示

    本论文提出了一种统一的学习随机过程对比表示的方法，称为 CReSP，从而弥补了精确重构观察数据的方法在高维度或噪声分布复杂时不可靠的缺陷，并在周期函数、三维物体和动态过程的表示学习等方面取得了显著效果，并且该方法对高维度噪声观测的容忍度比传统方法更高，并且所学表示可以用于各种下游任务。

    Jun, 2021

  • 变分自编码器简介

    该论文介绍了变分自编码器及其重要扩展，它们提供了学习深度潜变量模型及对应推理模型的原则框架。

    Jun, 2019