研究了高斯过程深度生成模型中的氐变量的稀疏高斯过程近似的问题,并提出了一种基于部分推理网络的稀疏高斯过程变分自编码器,从而使得稀疏高斯过程能处理多维度的时空数据中缺失的数据,并提高模型的计算效率。
Oct, 2020
本研究论文介绍了使用 Gaussian mixture variational autoencoder(GMVAE)进行分子模拟数据的降维和聚类,以及其在构建 Markov 状态模型方面的潜在应用。
Dec, 2019
提出了一种序列变分自动编码器模型(SISVAE),其基于 VAE 模型,以及采用平滑性先验,用于多维时间序列的稳健估计和异常检测,这种模型采用灵活的神经网络来参数化每个时间戳的均值和方差。
Feb, 2021
通过采样 - 变分自动编码器 (VAE) - 集成异常检测 (SVEAD) 的新框架,本文在可解释人工智能 (XAI) 的话题上做了实证评估,发现将集成叠加、VAE 和 SHAP 结合在一起不仅可以提高模型性能,而且能够提供一个易于解释的框架。
Sep, 2023
通过现代机器学习工具来实现硬件加速、并行化和自动微分的消息传递算法,探讨并展示了 SVAE 模型的优势,从而表明现在是重新审视结构化变分自编码器的时候了。
May, 2023
通过将图形模型与深度学习架构组合,我们学习具有两种框架优势的生成模型。我们提出了学习 SVAE 的新算法,并首次证明了 SVAE 处理丢失数据时处理多模态的能力。这些优化创新使 SVAE 能够通过梯度下降法进行学习。
Jun, 2023
该研究基于变分自动编码器提出了两种深度生成模型,学习基因状态的潜在表示,以提高药物响应预测的准确性。结果表明,该模型可在 AUROC 和 AUPR 方面超过先前发表的研究,同时发现更好的重构准确性并不一定导致分类准确性的提高,联合训练模型表现更好。
Jun, 2017
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
本研究提出了一种基于深度潜在随机变量的自然图像生成模型,其采用新型分布称为修正高斯,其中采用类似 spike-and-slab 的稀疏性,保持了有效的随机梯度变分推断的可微性;通过一个结构化后验分布估计函数的近似,提出了一种新型结构化变分近似方法,避免常规均场假设,并保持了生成模型的先验依赖关系,从而实现了具有许多层潜在随机变量的深度模型的联合训练。
Feb, 2016
通过引入 Gated Sparse Autoencoder,文章解决了稀疏自编码器中的估计偏差问题,实现了对语言模型激活的解释性特征的无监督发现。
Apr, 2024