分布式主要自编码器
提出一种基于结构化概率模型和深度学习的自动编码器框架,能够将高维的视频序列自动地分解成易于预测的低维时序动态,并且无需显式监督,在多个数据集上进行实验表明该方法具有较好的预测能力。
Jun, 2018
本文提出了一种基于现有预训练 DPM 模型的图像重建通用方法 PDAE,实现了比 Diff-AE 更好的训练效率和性能,并通过对分类器引导采样的机制填补信息缺失的空隙,使编码器对图像进行更好的重建,表现出了较高的有效性、效率和灵活性。
Dec, 2022
提出了一种新的自编码器(PCAAE),它能够无监督地将数据的内在属性分离成潜空间的不同组成部分,达到了解决深层生成模型中的潜变量空间问题的目的。与其他最先进的方法相比,PCAAE 的能力更好,在潜空间中解开属性的存在,实现了属性的分离。
Jun, 2020
本研究探索使用可扩散概率模型作为自编码器的解码器,让输入图像生成一个可以被意义化和解码的编码向量,该编码向量分为两部分:第一部分是含有语义的线性编码,而第二部分是建模随机变量的编码,提升了图像生成的质量并且在其他应用中可以用来做属性调整和去噪等任务。
Nov, 2021
本文介绍了一种名为感知生成自编码器的新型生成模型。该模型通过将生成的和目标分布映射到一个潜空间中,并用具有理论依据的数据和潜空间重构损失同时在数据空间和隐空间中强制同步,从而能够在无限制的神经网络体系结构和任意数量的潜在维度上推广可逆生成模型的思想,并且在样本质量方面显著优于传统自编码器和其他基于自编码器的生成模型。
Jun, 2019
本文提出了自动编码器机制的理论框架,研究了编码器的两个基本属性:双射映射和数据解缠,并给出了满足这两个属性中任意一个或同时具备的编码器的构造方法。基于该理论框架,我们解释了一些自动编码器的实验结果,证明自动编码器在降维和分类方面相较于 PCA 和决策树的优势,同时该理论框架还解释了卷积神经网络和随机加权神经网络。
Aug, 2022
使用基于自编码器神经网络的维度缩减技术,通过 DIRESA 架构来压缩大气候和天气数据集,并在压缩的潜在空间中进行可解释的搜索,从而提供物理洞察力和降低在线存储需求。
Apr, 2024
本文介绍了一种使用对称变换原则的新型非概率解缠框架,用于对自动编码器中的潜在空间进行因式分解(或解缠),旨在实现不使用正则化器基于自动编码器的解缠,该模型与 7 种最先进的基于自动编码器的生成模型进行了比较,并根据 5 个监督解缠度量进行了评估,实验结果表明,所提出的模型在每个特征的差异方差比较大时可以获得更好的解缠效果。我们认为,这种模型开创了一个不使用正则化器来进行自动编码器的解缠学习的新领域。
Feb, 2022
使用基于重构自编码器的方法处理离群样本检测问题,通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能,达到了各类基准测试的最新技术水平。
Mar, 2022
提出了一种利用 PCA 和参数化的 ReLU 激活函数进行自编码器训练的方法,以解决非线性数据降维问题,特别是对于数据稀缺及昂贵的纳米光子学元件设计和其他科学领域的任务。
May, 2022