Apr, 2024

基于正则化自编码器的 DIRESA，一种保持距离的非线性降维技术

PDF
TL;DR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。
weather patternsautoencoder neural networksdimension reductionlatent componentsclimate models
发现论文，激发创造
  • 分布式主要自编码器

    通过学习一个分布模型以匹配数据的条件分布，Dimensional Principal Autoencoder (DPA) 旨在实现重建数据与原始数据完全分布相同，从而实现降维和重建的成功。

    Apr, 2024

  • 数据维度缩减提高机器学习算法效率

    本文提出数据维数减少的方法，其中应用了 PCA 和 Auto-encoders 算法，并结合监督学习和无监督学习算法来验证在预处理 DDR 方面的准确性和时间效果。实验证明，预处理不仅能提高算法精度，也能提高时间效率，从而实现大规模精度和时间节省的目标。

    Nov, 2022

  • 基于堆叠自编码器和聚类的遥感地质绘图框架

    此研究提出了一种利用堆叠自动编码器进行降维和 K 均值聚类来处理遥感数据的无监督机器学习框架，通过使用 Mutawintji 地区的 Landsat-8、ASTER 和 Sentinel-2 数据集进行地质制图的评估，结果显示该框架能够产生准确可解释的地质图，并且堆叠自动编码器相较于其他方法具有更好的准确性，并且生成的地质图与先前的地质知识相符同时提供了新的地质结构见解。

    Apr, 2024

  • 气候应用数据降维的机器学习技术

    科学家们提出了一种流水线压缩方法，利用神经网络和保证自编码器进行数据压缩，以实现高压缩比同时达到模拟或数据收集的目标，并且实验证明该方法优于文献中的可比方法。

    May, 2024

  • 利用空间变异自编码器融合气候数据产品

    该研究提出了一种可识别和可解释的自编码器，利用贝叶斯统计框架对多个气候数据产品进行融合和组合，以捕捉有用的空间模式，并通过对数据中的模式施加约束，在学习中创建了可解释的一致性。通过在高山地区结合多个降水产品的信息，证明了自编码器的实用性。

    Mar, 2024

  • 基于分层自编码器的大规模高分辨率科学数据有损压缩

    我们提出了一个神经网络模型，能够在不牺牲重建质量的情况下，显著压缩大规模科学数据，并在公开的科学基准数据集和高分辨率气候模型数据集上进行了测试，达到了 140 的压缩比和可忽略的重建误差。

    Jul, 2023

  • 监督自编码神经网络潜空间配置的泛化改进

    本文研究了自编码器的潜在空间（LS）属性，并提出了两种获得期望拓扑结构的 LS 配置方法。研究表明，利用几何损失项直接作用于 LS 的损失配置方法可以可靠地获得期望的 LS 配置，从而可以在 LS 中定义相似性度量来预测标签或估计多个输入的相似性，而无需使用解码器或分类器。研究还证明，使用所提出的方法训练的有监督自编码器在纹理分类方面表现良好，并且可以在没有微调的情况下很好地泛化到来自 LIP、Market1501 和 WildTrack 数据集的未见数据，甚至可以用于评估未见类的相似性。此外，通过跨数据集搜索和基于文本查询进行文本搜索的实验证明了预配置的 LS 相似性估计的优势，而无需使用语言模型。

    Feb, 2024

  • 降秩自编码器 —— 增强非线性流形上的插值

    我们介绍了 Rank Reduction Autoencoder (RRAE)，这是一个具有扩展的潜在空间的自编码器，通过约束具有小的预定主奇异值数量（即低秩）来实现。RRAE 的潜在空间足够大，可以实现准确的预测，并进行特征提取。

    May, 2024

  • ARES: 基于重建的局部自适应异常评分

    本文提出基于自适应重建误差评分的方法来改善自编码器在异常检测中的性能问题，并在实验中证明了该方法的有效性与可行性。

    Jun, 2022

  • 低数据情况下基于 PCA 增强的自编码器用于非线性降维

    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