Apr, 2024

探索潜在路径：用变分自编码器提高自动驾驶的可解释性

PDF
TL;DR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。
autonomous drivingartificial intelligenceneural circuit policy modelvariational autoencoderinterpretability
发现论文，激发创造
  • 优化用于视觉任务的变分自编码器潜在表示中的不确定性

    深度学习方法在计算神经科学中作为建模工具变得越来越重要，本文系统地研究了变分自编码器的不确定性表示，提出了一种新的方法解释偏离变分自编码器 (EA-VAEs)，并发现它在各种情况下能够产生有意义的不确定性报告，可在计算神经科学的感知模型和计算机视觉的推理工具中发挥作用。

    Apr, 2024

  • 变分自编码器无意中寻找主成分分析方向

    该论文研究了变分自编码器（VAE）在学习可解释的表示和生成建模方面的出色表现，提供了对其良好性能的解释，阐明了该架构中解码器的局部正交性，从而促进重构和正交性之间的平衡。

    Dec, 2018

  • 基于预测性变分自编码器的时间序列数据鲁棒表示学习

    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

  • 控制性文本生成的变分自编码器综述

    介绍了神经网络生成模型、自然语言处理、VAE、可控制生成、深度神经网络等相关概念和应用。

    Nov, 2022

  • 变分自编码器在视频视觉异常检测中的应用

    本研究比较了卷积 LSTM 和变分卷积 LSTM 自编码器的性能，讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。

    Mar, 2022

  • 基于变分自编码器学习概念的蜂窝网络可解释异常检测

    该研究采用变分自编码器的方法解决了在移动网络中可解释的异常检测问题，该方法可以学习每个关键性能指标的可解释表示，使用重构误差和 Z 分数检测异常，通过附加信息中心增强表征学习，从而实现了异常可解释性和自主检测，同时展示了深度学习算法处理大数据的潜力。

    Jun, 2023

  • 高级条件变分自编码器（A-CVAE）：通过解离潜在特征表示进行开放领域对话生成解释的探索

    本研究旨在通过介绍一种认知方法，利用先前的知识驱动生成模型，实现在中尺度特征分离中调节潜在变量，使得深度学习的开放领域对话系统可以生成更高质量和更可解释性的对话。

    Jul, 2022

  • 使用 pi-VAE 学习高维神经活动的可识别和可解释潜变量模型

    论文提出了 pi-VAE 这一将潜在变量模型和神经编码模型相结合的新方法，用于分析神经元群体响应数据，并通过合成和实验数据在大鼠海马和恒河猴运动皮层数据集中进行了验证，证明了该方法具有更好的拟合功效和可解释性，可以为神经编码结构提供新的见解。

    Nov, 2020

  • 基于 Transformer 的条件变分自编码器用于可控的故事生成

    本文提出了一种基于转换器和变分自动编码器（VAE）的条件变分自动编码器（CVAE）方法，在保持卓越的生成效果的同时增强了可控性和表征学习能力，实现了对长文本的神经故事生成。

    Jan, 2021

  • 可解释的句子表示：变分自编码器和注意力机制

    提出使用变分自编码器和 Transformers 构建两种具有归纳偏置的模型，可将潜在表示中的信息分离成可理解的概念，其中 QKVAE 在转移实验中表现出竞争性能，并展示了明显的优化句法角色分离能力。

    May, 2023