自动驾驶中引入了一种基于生物启发的神经回路策略模型,整合了变分自编码器,提供了一种直接从输入摄像头图像生成转向命令的解决方案,并通过自动潜在扰动工具提高了系统的可解释性。该研究证明了变分自编码器 - 神经回路策略模型的解释能力,以及自动潜在扰动工具在提高自动驾驶系统内部工作透明度方面的实用性。
Apr, 2024
本文介绍了一种深度、生成式自编码器,它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法,我们证明了该方法在几个经典数据集上取得了最先进的生成性能。
Oct, 2013
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
提出了一种基于遮蔽自编码器的新型神经架构搜索(NAS)框架,该框架在搜索过程中不需要标记数据。通过用图像重构任务替代监督学习目标,我们的方法能够在不损害性能和泛化能力的情况下,有效地发现网络架构。此外,我们通过引入多尺度解码器来解决在无监督范式中广泛使用的 Differentiable Architecture Search(DARTS)方法遇到的性能崩溃问题。通过在不同的搜索空间和数据集上进行大量实验证明了所提方法的有效性和鲁棒性,并提供了其优于基线方法的经验证据。
Nov, 2023
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
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。
Jul, 2023
本文提出了一种用于连续性轨迹的生成式模型 ——SeCTAR,该模型结合了变分自编码器和深层强化学习的思想,并提出了一种用于学习 latent representations 的方法。通过在学习到的 latent space 中进行 model-based planning,该模型能够有效地完成多阶段的强化学习任务,超越了标准强化学习方法和以往用于层级推理、model-based planning、探索的方法。
Jun, 2018
使用离散自编码器来处理动作在随机环境中引起的多种可能性,再结合随机版 Monte Carlo 树搜索算法规划代理的动作和代表环境反应的离散潜变量,明显优于 MuZero 在处理随机国际象棋和 DeepMind Lab 等部分观测模型的 RL 问题中的表现。
Jun, 2021
探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外,并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。
May, 2023
该研究提出了一种解决复杂城市场景下的自动驾驶问题的可解释性深度强化学习方法,在学习过程中引入了序贯潜在环境模型,并生成了语义鸟瞰遮罩,以解释学习策略的行为。实验结果显示,该方法在城市场景中的表现优于 DQN、DDPG、TD3 和 SAC 等基线模型。
Jan, 2020