Jul, 2023

InVAErt 网络：一个数据驱动的模拟、推断和可辨识性分析框架

PDF
TL;DR该研究使用生成模型和深度学习来构建基于物理系统的仿真模型，通过引入 inVAErt 网络，利用确定性编码器和解码器来表示正向和逆向解决方案映射，结合归一化流来捕捉系统输出的概率分布，以及变分编码器来学习输入和输出之间的紧凑潜在表示。研究对损失函数中的惩罚系数选择和潜在空间采样策略进行了正式研究，并通过广泛的数值实例验证了该框架，包括简单线性、非线性和周期性映射，动力系统和时空偏微分方程。
generative modelsdeep learningemulationdata-driven analysisparametric physical systems
发现论文，激发创造
  • 用于工业网络物理系统中稳健、基于物理的网络攻击识别的变分自编码器框架

    基于数据驱动的框架，结合变分自编码器 (VAE)、循环神经网络 (RNN) 和深度神经网络 (DNN)，用于检测、诊断和定位网络工业控制系统中的隐蔽攻击。通过在网络化的电力传输系统上进行仿真研究，我们评估了该方法的性能，并与传统基于模型的方法进行比较，以展示其适用性和效力。

    Oct, 2023

  • 使用变分自编码器生成可解释的表示

    本文提出了一个框架，利用结构化图形模型在变分自动编码器（VAEs）的编码器中导出可解释的表达，使得在给定图形模型的结构限制下执行推理，并使用深度生成模型处理高维度的杂乱领域变得更容易。同时在无监督和半监督的情况下，通过变分目标进行端对端的学习。

    Nov, 2016

  • 基于 VAE 的学习多级神经 Granger - 因果连通性的框架

    本文介绍了一种基于 VAE 的框架，以合理的方式共同学习相关异质动态系统中的 Ganger 因果关系，从而提取嵌入在这些系统中的共享公共结构，并识别个体系统中的特质。该方法在多个合成数据设置上进行评估，并与用于学习单个系统的现有方法进行基准比较。该方法还在涉及神经生理学实验的时间序列数据的真实数据集上进行了说明，并产生了可解释的结果。

    Feb, 2024

  • InVA：整合型变分自编码器用于多模态神经影像数据的协调

    该研究论文介绍了一种名为 Integrative Variational Autoencoder（InVA）的方法，通过借用来自不同来源的多个图像的信息，捕捉了结果图像与输入图像之间的复杂非线性关联，并实现了快速计算，从而提供了在人脑磁共振成像（MRI）中从多个皮层结构测量中获得代价高昂的正电子发射断层摄影（PET）的高精度预测推断。

    Feb, 2024

  • 使用变分自编码器进行设备图像 - IV 映射的逆向设计和正向预测

    本文探讨利用基于变分自编码器 (VAE) 的新型结构，通过将器件结构图映射到相应的电流 - 电压 (IV) 特征，来学习底层器件物理学。使用 TCAD 生成的和手绘的 MOS 器件图像以及有噪声的漏电流 - 门电压曲线 (IDVG) 进行实证演示，而且该方法可以用于紧凑建模。

    Apr, 2023

  • 自动编码贝叶斯逆博弈

    基于贝叶斯观点和变分自编码器，提出一种解决交互式运动规划中的逆游戏问题的方法，通过构建后验分布来量化未知参数的不确定性，并且在处理连续、多模态分布时具有高效性。在模拟驾驶场景中的广泛评估中表明，该方法成功学习先验和后验目标分布，相比 MLE 基准，提供更准确的目标估计，从而促进更安全、更高效的博弈论运动规划。

    Feb, 2024

  • IVE-GAN：不变编码生成对抗网络

    提出了一种新的 “不变编码生成式对抗网络”（IVE-GANs）框架，利用特定数据的不变特征进行逆向映射，使生成器可以涵盖更多数据模式并提升生成效果和表示能力，并在多个数据集上进行了验证。

    Nov, 2017

  • 物理结构嵌入的变分积分网络

    利用深度神经网络与微分方程系统之间联系的最新进展，我们提出了一种名为 “变分积分器网络” 的神经网络架构，旨在保留物理系统的几何结构，并且能够对复杂的动态系统进行精确的长期预测、解释和数据效率学习。

    Oct, 2019

  • LlaMaVAE: 通过连续的潜在句子空间指导大型语言模型生成

    深度生成神经网络（如变分自动编码器）与大型语言模型相结合，得到了更好的文本生成控制，并在各种任务中表现出了优于现有模型的性能。

    Dec, 2023

  • 高维深度网络推理

    本文介绍了一种深度随机神经网络的推理方法，称为多层向量近似信息传递（ML-VAMP），通过推导模型的均方误差（MSE），它在高维度下具有严格的性能可达性结果。

    Jun, 2017