Jun, 2024

基于自编码器的消除伪相关性方法

PDF
TL;DR通过自动编码器方法分析了 Global Wheat Head Detection（GWHD）2021 数据集中存在的错误关联，并使用修复和加权盒融合方法成功提高了平均域准确率（ADA），证明了该方法能够抑制部分 GWHD 2021 数据集中的错误关联。
deep neural networksspurious correlationsautoencoder-based approachglobal wheat head detectioninpainting
发现论文，激发创造
  • 使用软布朗偏移取样和自编码器进行超范围检测和生成

    本文提出了一种新的方法，通过自动编码器和软布朗运动偏移方法，基于给定的分布数据集生成足够接近真实数据的数据集，并用于改善深度神经网络的过度自信和提高其性能。该方法可以用于时间序列和 MNIST 数据集等数据的实验，并成功改善了这些数据的缺陷以及自动驾驶轨迹预测算法的效果验证。

    May, 2021

  • 基于贝叶斯变分自编码器的无监督异常检测

    为了解决深度神经网络在面对训练数据分布不同的测试数据时可能会出现的不可靠预测问题，我们提出基于贝叶斯变分自编码器模型的概率无监督方法，以此来检测输入空间和模型潜在空间中的群集分布异常。

    Dec, 2019

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 关于伪相关对于未知类别检测的影响

    研究表明，在训练集中，假设特征和标签之间的虚假相关性增强，检测模型对于发现野外数据的能力会大幅降低。通过引入 “不变” 的特征来新定义和建模数据转移，提出了新的数据转移形式，并在此基础上深入探究了虚假相关在识别过程中的影响，同时提出了一种降低虚假相关影响的方法。

    Sep, 2021

  • 利用自编码器方法检测虚假数据注入攻击

    本文提出了一种基于自动编码器神经网络的检测方法，通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性，实现了对假数据注入攻击的检测，并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。

    Mar, 2020

  • 神经网络中的过度泛化的去噪自编码器

    本研究提出了一种使用去噪自编码器计算置信度得分的新方法，并展示了这种置信度得分可以通过确定其局部极大值来正确识别接近训练分布的输入空间的区域，从而解决神经网络模型的过度概括问题。

    Sep, 2017

  • 重新思考基于重构自编码器的异常检测

    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

  • 基于自编码器的残差深度神经网络用于鲁棒回归预测和时空估计

    本文提出了一种基于自编码器的残差深度神经网络，通过利用快捷连接嵌套实现残差映射，实现了对连续变量的可靠预测，并在多个数据集上得到了较高的精度和效率。

    Dec, 2018

  • 使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

    本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。

    Aug, 2020

  • 一种基于变分自编码器的高效无监督异常检测方法

    本文研究了用于无监督的离群检测的深度生成模型（DGMs），特别关注使用标准正态先验分布的基本变分自动编码器（VAE）。我们提出了一种针对基本 VAE 设计的新颖离群得分方法，称为误差降低（ER），其结合了从丢失版本中重建图像输入的概念，并考虑了图像的科尔莫哥罗夫复杂性。对不同数据集的实验结果表明，我们的方法优于基准方法。我们的代码可在此 URL 获得：https:// 这个 URL

    Sep, 2023