May, 2024

基于深度学习的变分自编码器用于光子的分类

PDF
TL;DR基于深度学习的变分自编码器方法可用于光子统计特征到低维度的映射，实现在光子计数较低的情况下准即时分类，同时维持分类准确性并能在检测质量差的情况下改进光子和光源的分类。
optical quantum technologiesdeep learning-based variational autoencoderclassificationphoton statisticslight sources
发现论文，激发创造
  • 利用变分自动编码器学习困难量子分布

    研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态，该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。

    Oct, 2017

  • 量子变分自编码器

    使用量子玻尔兹曼机实现的量子变分自编码器（QVAE）比仅涉及生成过程中的离散变量的相似方法在 MNIST 数据集上实现了最先进的性能。将 QBM 放置在 VAE 的潜在空间中将充分发挥当前和下一代量子计算机作为采样设备的潜力。

    Feb, 2018

  • SLAC Linac 相干光源的弹性 VAE：无监督异常检测

    利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE)，这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Light Source (LCLS) 的加速器状态中应用我们的方法，我们展示了 ResVAE 在识别加速器中各种可见异常的杰出能力。

    Sep, 2023

  • 用于非监督异常检测的上下文编码变分自编码器

    本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

    Dec, 2018

  • 基于变分量子算法的一种新框架：图像分类的革命性突破

    使用变分量子算法构建的图像分类框架在消除全局汇聚操作的需求的基础上，通过有效地捕捉图像中更有区分度的特征和细节，提高了分类性能，并且相比于经典框架具有更少的参数，更有效地防止过拟合。

    Dec, 2023

  • 半监督学习的解缩变分自编码器

    本文提出了一种名为 SDVAE 的半监督变分自编码器，其将输入数据转化为可解释和不可解释的特征表示，使用分类信息来规范可解释的特征表示，并使用强化学习来增强特征学习能力，此框架适用于图像和文本数据。

    Sep, 2017

  • 使用混合量子自编码器进行聚类和增强分类

    本文提出了一种基于混合量子自编码器的 QML 算法，旨在在经典描述的空间中学习识别和分类量子态的特征属性，为聚类和半监督分类提供了一种新的方法，该方法针对的是幅度编码的量子态，可以应用于非平凡的量子数据集的结构分析。

    Jul, 2021

  • 向量量化自编码器的理论与实验

    该研究利用基于期望最大化算法的训练技术提高 VQ-VAE 模型在 CIFAR-10 数据集上的图像生成结果，并通过知识蒸馏技术，开发出一种非自回归机器翻译模型，其准确性几乎与强贪婪自回归基线变压器相当，但在推理速度上快 3.3 倍。

    May, 2018

  • 使用多模态变分自编码器和语义概念进行广义零样本学习

    我们提出了一个多模态变分自编码器 (M-VAE)，能够在学习图像特征和语义空间之间的共享潜在空间上，通过使用多模态损失来拟合多模态数据。该方法可用于预测新样本，且实验结果表明在广义零样本学习方面，我们提出的模型优于当前最先进的方法。

    Jun, 2021

  • 使用变分自编码器对图像分类进行对抗性防御

    使用变分自编码器的防御策略抵御深度神经网络在图片分类任务中的对抗性攻击。这个防御系统具有灵活性、可学习分解表示以及基于像素块不需要针对不同尺寸的图片进行重新训练等特性，并在中度到严重的攻击情况下，明显胜过 JPEG 压缩及其最优参数，同时仍有提升空间。

    Dec, 2018