生成可解释的生存轨迹和数据
通过更好地聚类生存数据和组合原始分布,本文提出了两种变体的变分自编码器(VAE),离散和连续,来生成聚类输入协变量的潜在变量。我们的模型通过同时优化 VAE 损失和回归损失进行端到端训练,实验证明了我们的方法在聚类结果和长期预测上具有竞争力,特别是在期限较长的情况下。
Apr, 2024
通过使用深度学习技术中的变分自动编码器,本研究提出了一种名为 SAVAE 的新方法,用于生存分析及相关领域,能够适应复杂、高维、异构以及包含缺失和截尾数据的场景,并表现出稳健性和稳定性。同时,该方法还能够进行数据插补,并通过潜变量推断生成合成患者数据。
Dec, 2023
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
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
这篇论文提出了改进的 CVAE 模型,采用无味采样、更结构化的混合潜空间和更富表达力的推理方法,用于轨迹预测和图像建模任务,并在各自数据集上优于现有方法和基准模型。
Oct, 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
本文提出了一种基于变分自动编码器的新型体系结构,可用于进行时序数据的合成生成,具有可解释性,能够编码领域知识,训练时间较短。实验表明,该方法在数据相似度和预测性方面均表现优异,依然能够准确地呈现原始数据的时态属性,并且对于下一步预测具有显著的改善效果。最后,该模型可以将特定领域的时间模式融入到生成模型中,提供可解释性的输出。
Nov, 2021
该研究使用条件变分自编码器解决了计算机视觉系统中像素级别预测未来事件的问题,并通过训练多样的真实视频数据成功预测了大量场景中的行为,并且可应用于语义视觉任务。
Jun, 2016
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