椭圆核无监督自编码图卷积网络集成模型用于高光谱解混
本文提出了一种基于两阶段自编码器网络的新型端元提取和高光谱反混合方案 EndNet,其结构完全优化和重组,通过引入额外的层和投影度量(即光谱角度距离(SAD)而不是内积)得到最优解,最后通过基于随机梯度的方法来扩展其可处理规模,该方法得到显著改进,表现优于文献中的现有技术。
Aug, 2017
基于变换器结构的核弹性自编码器(KAE)是一个自我监督的生成模型,通过修改的最大均值偏差和加权重构函数,解决了同时实现有效生成和准确重构的长期挑战,并在分子设计中取得了显著的多样性和近乎完美的重构,超越了之前的分子生成模型。KAE 实现了条件生成,在受限优化中基于波束搜索进行解码,表现出了优于训练数据集中所有现有候选物的最新性能。除了分子设计,我们预计 KAE 可以应用于解决一系列生成问题。
Oct, 2023
基于深度学习和生成对抗网络的逆散射问题研究,通过对多频散射电场幅度的准确和高效重构,提出了一个强大的方法,其中采用了对抗自编码器和密集层构成的逆神经网络框架,通过与正向神经网络的比较验证了结果的可靠性和提高了建模效率。
Feb, 2024
本文提出了一种新的堆叠自编码器模型 - 邻近信封嵌套堆叠自编码器集成模型(NE_ESAE),该模型使用邻近样本信封学习机制进行优化,采用多层迭代平均聚类方法生成具有层次结构信息的信封样本空间,然后在每个样本空间的层上进行嵌套自编码器(ESAE)的训练和特征减少与基分类器的分类,最终通过集成机制融合信封样本空间的每一层的分类结果,实验结果表明这种方法比传统的特征学习方法和代表性的深度自编码器有显着的性能优势。
Oct, 2022
以受限遮蔽图像模型为指导的自主学习在遥感中预训练视觉转换器方面引起了广泛关注。在本文中,我们探讨了光谱和空间遥感图像特征作为改进的自编码器重建目标。实验结果说明了 FG-MAE 在 SAR 图像方面的特殊增强效果,同时展示了 FG-MAE 的良好可扩展性,并发布了首批用于中分辨率 SAR 和多光谱图像的预训练视觉转换器。
Oct, 2023
该论文介绍了一种基于对称图卷积自编码器的方法,通过 Laplacian Sharpening 生成潜在特征来增强网络性能,进一步证明了该模型的稳定性和鲁棒性
Aug, 2019
本文提出了一种基于 EdGe(隐式图形表示)图自编码器的缺失数据插补方法,其可处理更大的数据集且能够自动推断每层最佳的联通性,同时在基准测试和基线系统中均获得了重大的改进。
Oct, 2022
本文提出了一种基于谱卷积和反卷积的框架 SpecAE 来检测全局和社区异常值,它通过拉普拉斯锐化放大异常的表示和大多数的表示之间的差异,然后结合密度估计模型进行检测,并在真实世界数据集上进行了实验验证。
Aug, 2019
本专业研究了机器学习在电子显微数据集分析中的应用问题,因为这种类型的数据集具有许多挑战,包括训练数据集大小限制、试样质量及实验条件的变化等。研究发现,使用 EA 方案的集合设计比 ER 方式更适合处理这些问题,因为 EA 表现出更好的分类精度和更好的校准性,而这两种集合的不确定性量化相当。
Sep, 2022
本文提出了一种联合学习框架,通过使用双自编码器网络将输入嵌入到潜在空间中,利用相互信息估计从输入中提供更具区分性的信息,并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类,证明该方法在基准数据集上显著优于现有的聚类方法。
Apr, 2019