Oct, 2023

使用具备理论性能保证的生成模型进行离群点检测

PDF
TL;DR通过离群点检测方法，我们提出了一种用于从受稀疏离群点污染的线性测量中恢复基于生成模型的信号的方法。我们的理论结果适用于线性生成型神经网络和非线性生成型神经网络，并提出了一个基于交替方向乘子法和梯度下降的迭代算法，能够成功地在离群点存在的情况下重建信号。
发现论文，激发创造
  • 使用具有理论性能保证的生成模型进行异常检测

    提出了一种基于生成模型神经网络的方法来恢复受稀疏离群值干扰的压缩测量信号，通过迭代交替方向乘子法和梯度下降法检测稀疏离群值，建立了恢复保证，通过实验表明此方法优于传统方法。

    Oct, 2018

  • 非线性观测与生成式先验下的广义 Lasso

    研究了在存在 Lipschitz 连续生成模型的情况下，从嘈杂的非线性测量中估计未知的 n 维信号问题。研究表明，非一致恢复保证在 i.i.d. 下成立，并且这种方案可以抵抗对抗性噪声，同时经过推广，可以适用于神经网络生成模型和其他测量模型。

    Jun, 2020

  • 利用生成模型对压缩感知中的稀疏偏差进行建模

    研究使用生成模型在压缩感知中提出了一种新的方法 Sparse-Gen, 允许在支持集之外的空间上进行稀疏偏差，从而实现使用特定于领域的先验并允许完整的信号空间内的重建。与其他方法相比，该方法在重建准确性方面有着显著的改进，特别是在迁移压缩感知中应用生成模型于数据稀缺目标领域时。

    Jul, 2018

  • 生成敌对性主动学习用于无监督异常检测

    本文提出了一个基于单目标生成对抗主动学习（SO-GAAL）方法的新型离群点检测算法，通过多个生成器（MO-GAAL）解决数据稀疏性和模式崩溃等问题，在合成和真实数据集上的实验结果表明，MO-GAAL 在各种情况下表现良好。

    Sep, 2018

  • 利用生成模型的鲁棒压缩感知

    本文提出基于中位数均值的算法用于压缩感知中估计高维向量，具有重尾或异常值数据的鲁棒性，同时理论结果表明该算法在次高斯假设下具有与经验风险最小化相同的样本复杂度保证。

    Jun, 2020

  • 基于深度生成模型的异常检测进一步分析

    探究如何在深度生成模型中检测异常值，发现高密度区域和通常样本集不一致，提出新的异常值检测方法以及需要修改已有的评估方法

    Oct, 2020

  • 使用生成模型从非线性观测中进行非迭代恢复

    本文提出了一种非线性观测下基于单指数模型和连续型生成模型的信号方向估计方法，具有高效、不迭代的优点，并且在测试中表现优于迭代方法。

    May, 2022

  • 使用生成模型的压缩感知

    通过生成模型的范围，无需使用稀疏性，基于 Lipschitz 连续性，提出了一种新的压缩感知算法。与 Lasso 相比，可以使用更少的测量来获得相同的精度。

    Mar, 2017

  • 通过基于分数的生成模型进行网络异常检测

    本文提出了一种基于评分模型的方法来解决属性图中节点异常检测的问题，并在小规模图上取得了有竞争力的结果。对 Dirichlet 能量进行了实证分析，表明生成模型可能难以准确重构它。

    Jun, 2023

  • 利用生成模型进行压缩感知的下界

    本文主要研究了基于生成模型的压缩感知问题，通过下界分析表明基于 L-Lipschitz 生成模型的压缩感知需要线性测量数至少是 k 乘以对数级别的，同时指出生成模型可以作为一种结构表示方法进行推广。作者还构造了一个具有 ReLU 激活的神经网络模型，其层数为 O (1)，每层的激活函数个数为 O (kn)，且该模型可以表示所有 k 稀疏向量。

    Dec, 2019