May, 2024

MAGIC：用于具有偏差校正的可推广模型逆向的模块化自动编码器

PDF
TL;DR受逆向图形学研究的启发，我们采用了将标准自编码器的解码器阶段替换为物理模型加偏差校正层的通用方法，以端到端的方式同时逆向模型并校正其偏差，无需对偏差的性质进行假设，我们使用来自不同领域（遥感中的复杂辐射传输模型和地形测量学中的火山变形模型）的两个物理模型验证了方法的有效性，与传统方法相比，我们的方法能够匹配或超越其结果，而无需显式地滤除偏差，从而为理解各种物理过程的因果关系提供了一个有效的路径。
发现论文，激发创造
  • 可逆生成模型用于反问题：减轻表示误差和数据集偏差

    研究表明，在图像逆问题中，具有零表示误差的可逆神经网络可以作为自然信号的有效先验，在压缩感知等方面比稀疏先验和 GAN 先验更精确。

    May, 2019

  • InVAErt 网络：一个数据驱动的模拟、推断和可辨识性分析框架

    该研究使用生成模型和深度学习来构建基于物理系统的仿真模型，通过引入 inVAErt 网络，利用确定性编码器和解码器来表示正向和逆向解决方案映射，结合归一化流来捕捉系统输出的概率分布，以及变分编码器来学习输入和输出之间的紧凑潜在表示。研究对损失函数中的惩罚系数选择和潜在空间采样策略进行了正式研究，并通过广泛的数值实例验证了该框架，包括简单线性、非线性和周期性映射，动力系统和时空偏微分方程。

    Jul, 2023

  • Autoinverse: 神经网络的不确定性感知反演

    Autoinverse 是一种高度自动化的逆变神经网络代理的方法，该方法能够在真实世界中部署，并且具有可行性和嵌入式正则化，并且在控制、制造和设计等领域得到了验证。

    Aug, 2022

  • 广义去噪自编码器作为生成模型

    该研究提出了一种新的方法，能够在处理离散数据、任意形式的噪声和重构损失、同时去除偏差等方面更好地连接正则化自编码器的训练过程和对潜在生成分布的隐式估计。

    May, 2013

  • 通过最后层反演进行单模型归因

    本研究提出一种基于 final-layer inversion 和异常检测的 FLIPAD 方法，用于开放世界条件下的单模型归因，以证明知识产权的盗窃。该方法在理论上具有可行性和计算效率，并且在实验中表现优于现有方法。

    May, 2023

  • 神秘揭露者：针对深度神经网络的生成模型反演攻击

    本文介绍了一种新型攻击方法 —— 生成模型反演攻击，它可以显著地提高逆转深度神经网络的准确率，攻击者使用部分公共信息学习分布先验，引导逆转过程，并且通过实验证明了差分隐私在该攻击下的防御效果有限。

    Nov, 2019

  • 输入级别感应偏置用于 3D 重建

    本文通过将几何归纳偏置直接注入模型作为额外输入，而非使用特殊架构，来解决 3D 重建问题。研究将摄像机、投射光线和对极几何编码为模型输入，并在多个基准测试上展示具有竞争力的多视图深度估计性能。

    Dec, 2021

  • 针对 GAN 反演和编辑的空间自适应多层选择

    本研究提出了一种新的方法，可以在 GAN 的潜在空间中反演和编辑具有复杂场景布局和物体遮挡的图像，采用分层集合反演的思路，通过预测图像不同部分的可反转性，并将每个部分投影到潜在层中，系统学习将相对容易的区域反演到生成器的较早潜在空间，而将较具挑战性的区域反演到后续的特征空间。该方法相对于现有方法，获取了更好的具有相对复杂类别的反演结果，同时仍保持下游可编辑性。

    Jun, 2022

  • 多变量物理信息卷积自编码器用于高分布式能源资源渗透率电力分配系统中的异常检测

    本文提出了一种多变量物理信息卷积自编码器（PIConvAE）模型，用于检测具有不平衡配置和高分布式能源资源渗透的电力配电系统中的网络异常。该模型通过定制的损失函数将物理规律嵌入到自编码器的训练过程中，通过对 IEEE 123-bus 系统和 Riverside，CA 的现实用电线路进行评估，结果表明该方法在检测两个系统中的各种网络异常方面表现出了卓越的性能。此外，文章还将该模型的有效性在不同训练数据比率的数据稀缺情况下进行了评估，并将该模型与现有的机器学习模型进行了性能比较，表明 PIConvAE 模型在检测指标方面明显超越其他模型。

    Jun, 2024

  • 使用熵对抗数据增强来超越偏见

    该论文提出了一种对抗性数据增强的训练方案，以消除分类中的捷径，提高深度神经网络的鲁棒性，并在分类基准测试中取得了竞争力的结果。

    Jan, 2023