Aug, 2023

基于深度生成建模的数据增强与演示，使用 BFBT 基准空隙率数据集

PDF
TL;DR本研究探讨深度生成模型在核工程中扩增科学数据的应用，发现变分自编码器（VAEs）、条件变分自编码器（CVAEs）和生成对抗网络（GANs）具有相当的生成性能，使合成数据集的误差较小，证明深度生成模型在核工程中具有扩增训练数据集并让其他深度学习模型更准确训练的巨大潜力。
deep learningdeep generative modelsdata augmentationnuclear engineeringscientific data
发现论文，激发创造
  • 深度生成建模简介

    该研究论文介绍了深度生成模型的数学框架及其最流行的三种方法：正态化流、变分自编码器和生成对抗网络。此外，该论文还探讨了这些基本方法的优缺点。

    Mar, 2021

  • 提高深度生成数据的效果

    即使合成图像在下游图像分类任务中导致性能下降，通过使用合成图像增强真实数据可以在数据稀缺情况下提升下游分类任务的表现，内容差距是这一现象的较大部分原因，我们提出了策略来更好地利用深度生成模型中的合成图像。

    Nov, 2023

  • 医学影像数据增强的深度学习方法综述

    深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

    Jul, 2023

  • 一个改进的表格数据生成器与 VAE-GMM 集成

    提出了一种基于变分自编码器的模型，该模型以贝叶斯高斯混合模型为基础，在处理表格数据时能够更准确地表示潜在数据分布，同时具有更灵活的特性和更好的性能。

    Apr, 2024

  • 贝叶斯数据增强方法用于深度模型学习

    提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

    Oct, 2017

  • FMRI 数据增强合成

    本研究使用经典方法和现代隐式生成模型对神经影像数据集进行了合成增广，能够 “改善预测 fMRI 模型的质量”，并且在预测认知和行为结果方面得到了较好的性能提升。

    Jul, 2019

  • 基于变分贝叶斯框架的领域相关变量高级图像生成

    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

  • 差分隐私数据生成模型

    提出了一种基于差分隐私的自编码生成模型和变分自编码生成模型，这些模型可以有效地保护深度学习的隐私，并且经过评估具有较强的鲁棒性。

    Dec, 2018

  • 数据稀缺场景下合成表格数据生成的人工归纳偏好

    通过在有限真实数据环境下使用深度生成模型（Deep Generative Models, DGMs）生成逼真可靠的合成表格数据，该论文提出了一种新颖的方法，通过转移学习和元学习技术在 DGM 中生成人工归纳偏差。其中，采用预训练和模型平均等转移学习策略优于采用元学习方法，例如模型无关元学习和领域随机搜索。通过验证方法，使用变分自动编码器和生成对抗网络两种最先进的 DGM，表明我们的人工归纳偏差可提供更高质量的合成数据，通过 Jensen-Shannon 散度测量，相对收益可达 50％。该方法具有广泛适用性于各种 DGM 和机器学习任务，特别适用于数据稀缺常见的领域，如卫生保健和金融。

    Jul, 2024

  • 使用生成对抗网络进行数据中心多元情景预测的数据增强

    本文探讨了利用生成对抗网络 (GANs) 进行时序数据的合成预测，从而实现在数据中心 (Data Center) 中生成大量可供人工智能算法使用的合成数据的目标，同时提出了通过综合考虑 Kullback-Leibler 散度和均方误差这两个新测量指标来验证合成时间序列的方法，并通过实际数据进行验证。该研究能帮助优化数据中心的能源消耗，而所提出的方法也可应用于类似的时间序列问题。

    Jan, 2022