基于高斯伯努利受限玻尔兹曼机的异常检测分数解释性的改进
本文从密度模型的角度出发,对高斯 - 二进制受限玻尔兹曼机(GRBM)进行理论分析,展示了 GRBM 的一些性能和限制,讨论了训练算法的几个关键点,并与其他改进的模型进行了比较。
Jan, 2014
通过凸优化过程将数据集的主要方向整合到低秩 RBM 中,从而通过静态蒙特卡罗过程实现平衡分布的高效采样,成功训练 RBM 来捕捉之前方法失败的高度结构化数据集中的全部多样性,并提出了一种新的采样方法 - 平行轨迹调整,使得能够比之前的 MCMC 方法更快地采样训练模型的平衡分布并更好地估计对数似然。
May, 2024
本文提出了在 RBMs 的能量函数中引入另一项以显式地建模输入数据中的局部空间交互作用,以建模全局动态和本地空间交互作用的理论扩展,通过提出的学习方法,在两个计算机视觉应用程序上评估了改进的 RBM 模型:面部表情识别和人体动作识别,并在基准数据库上展示了所提出算法的有效性。
Oct, 2017
本文提出了一种名为 GNSM 的新型无监督方法,采用得分匹配训练目标来检测分类数据中的异常点,并将其应用于图像数据的分割失败预测,通过对实验结果的分析证明了该方法的高效性。
Apr, 2023
本文提出了一种从高维时间序列数据中提取少数基本隐藏变量的方法,并学习这些隐藏变量之间的状态转移规则的方法,实验结果表明该方法可以从观测到的状态转移中学习这些物理系统的动态,并预测未观测到的未来状态。
Dec, 2022
研究提出了一种将基于距离的异常点检测得分转化为可解释的概率估计的方法,其利用数据点之间的距离概率分布将距离得分转换为异常点概率,实验结果显示这种概率转换不影响检测性能,但可产生具有增强对比度的可解释的异常点分数。
May, 2023
该论文提出了一种利用机器学习和数据挖掘技术自动学习不变规则的新框架,可以提供明确的异常检测结果解释并在实际应用决策中发挥重要作用。实验评估表明,该方法在多个应用领域的公共基准数据集上的性能优于先前的异常检测模型。
Nov, 2022
我们提出了一种新颖的 Gibbs-Langewin 采样算法和改进的对比散度算法,可用于训练 Gaussian-Bernoulli restricted Boltzmann machines (GRBMs)。实验结果表明,我们的方法可以有效地训练 GRBMs,并且与深层生成模型进行了直接比较。
Oct, 2022
本研究提出了深度结构化能量模型,其中能量函数是具有结构的确定性深度神经网络的输出,该模型可以应用于不同类型数据的结构,通过训练算法提高异常检测准确性。
May, 2016