- FI-CBL:一种基于专家规则的概率概念学习方法
提出一种解决基于概念学习(CBL)问题的方法,该方法通过将每个概念标注图像划分为补丁,并使用自编码器将这些补丁转换为嵌入向量,然后假设每个聚类主要包含具有特定概念的补丁的嵌入向量,通过计算具有特定概念的图像的补丁比率,计算先验概率和后验概率 - 使用大型语言模型和实例分割技术的全景放射状牙齿状况半监督分类:现实世界数据集评估
采用半监督学习框架,结合大型语言模型和自编码器,通过对口腔放射病例报告进行注释和无标签数据利用,成功实现了牙科全景放射病例的自动化分类,结果表明该方法在鉴定牙齿相关病症上具有与初级专家相当的准确性。
- 用潜在扩散模型在几秒钟内对 3D 高斯场景进行采样
我们提出了一个通过 2D 图像数据训练的 3D 场景潜在扩散模型,首先设计了一个将多视图图像映射到 3D 高斯斑点并在同时构建这些斑点的压缩潜在表示的自编码器,然后在潜在空间上培训多视图扩散模型,以学习一种高效的生成模型。该方法不需要对象掩 - 一种新的抵御联邦学习中毒攻击的方法:使用自编码器增强的 LayerCAM
本文提出了一种新颖的防御策略 LayerCAM-AE 来对抗联邦学习中的模型污染攻击,通过整合 Layer Class Activation Mapping(LayerCAM)和自编码器(AE),显著增强了检测能力,实验结果表明 Layer - 深度正未标注异常检测污染未标注数据
通过使用正样本 - 无标签学习和自动编码器等异常检测器,我们提出了一种正样本 - 无标签自动编码器,通过使用无标签数据和异常数据,我们可以近似正常数据的异常得分,从而能够在没有标记正常数据的情况下训练异常检测器来最小化正常数据的异常得分并最 - 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
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) - 多类型点云自编码器:适用于分子构象和姿态的完全等变嵌入
基于点云的分子 O (3) 编码网络(Mo3ENet):一种新的自编码器用于多类型点云,具有全局 3D 姿态,通过高斯混合表示的重建损失函数训练及评估,可用于向量分子属性预测和其他 3D 分子姿态相关任务。
- 神经网络想象的可视化
通过用循环神经网络 (RNN) 架构和解码器对网络的中间表示进行训练来可视化网络代表的环境状态,提出定量解释性指标并证明隐藏状态在简单任务上具有较高的可解释性,同时开发自编码器和对抗技术并展示其对解释性的好处。
- 利用自编码器的弱点生成伪异常数据
通过利用自编码器学习的自适应噪声产生伪异常数据,以增强自编码器在异常检测中的判别能力。
- 通过最小体积压缩潜空间
该论文介绍了一种名为最小体积的简单而有效的正则化方法,它可以减少自动编码器所需的潜在维度数量,而无需任何关于数据集固有维度的先验知识。通过证明解码器的 Lipschitz 连续性是其有效性的关键,论文揭示了 PCA 仅是其线性特例的证明,并 - 将人类和由神经网络生成的知识图进行特定任务对齐
本研究开发了一种创新方法,使神经网络能够生成和利用知识图谱,通过与人类提供的知识对齐,描述概念级知识并优化网络参数。实验结果表明,我们的方法始终捕捉到与人类知识密切对齐的网络生成的概念,并且甚至能够发现人类之前未发现的新概念。这种策略不仅增 - 风力发电机组异常检测的迁移学习应用
通过跨风力发电机的迁移学习,结合自编码器和重构误差的阈值,实现风力发电机中的异常检测,发现调整模型阈值可以比基准模型表现更好,而微调解码器或自编码器则进一步提升模型性能。
- ICLR用仅包含正常训练数据的正常潜空间约束进行异常检测
通过引入一种新的潜变量约束损失来限制自动编码器的重构能力,本研究在不增加额外计算成本的情况下,提出了一种有效的限制异常重构能力的自动编码器的方法,从而提高异常检测模型的性能。
- 二进制任务中的二进制噪声:用掩蔽伯努利扩散实现无监督异常检测
基于潜在伯努利扩散模型的新颖快速非监督异常检测方法,通过自编码器将输入图像压缩成二进制潜在表示,使用伯努利噪声进程的扩散模型从扰动的潜在空间进行训练以恢复二进制潜在表示,并基于这些概率提出了基于掩蔽算法来改进异常检测评分,具有超越其他基于扩 - 一种面向边缘低延迟和高能效的 DNN 推理的转换自编码器
提出了一种基于自动编码器和轻量级 DNN 的新颖方法,用于在资源受限的边缘设备上减少推理时间和能源消耗,实验证明其在推理延迟上可以获得高达 4.8 倍的加速,并且在准确率方面保持相似或更高的情况下降低了 79%的能源使用。
- 市场运营中的生成概率预测应用
本文提出了一种新颖的生成式概率预测方法,基于非参数时间序列的 Wiener-Kallianpur 创新表示。在生成人工智能的范式下,提出的预测架构包括一个自编码器,将非参数多变量随机过程转化为规范化的创新序列,根据过去样本的条件概率分布生成 - tLaSDI: 热力学信息隐空间动力学识别
基于数据驱动的潜空间动力学识别方法通过嵌入热力学的第一和第二原理,利用自编码器作为非线性降维模型学习潜变量,并通过基于神经网络模型构建潜变量的动力学,遵循广义热动力学原理,从而产生了一种新的损失公式。潜编码器和潜动力学均通过最小化新损失进行 - 潜在神经 PDE 求解器:用于偏微分方程的降阶建模框架
利用神经网络在粗粒化离散空间中学习系统的动力学,并通过降维简化了时间模型的训练过程,同时展示了与在全序空间上操作的神经 PDE 求解器相比,该方法具有竞争力的准确性和效率。
- 基于有序方差的自动编码器用于非线性模型识别
本文介绍了一种新型的具有有序方差的自编码器 (AEO),其中损失函数通过方差正则化项进行了修改,以强制约束潜在空间的顺序。此外,使用 ResNets 对自编码器进行了修改,得到了 ResNet AEO (RAEO)。本文还展示了 AEO 和 - 神经网络扩散
扩散模型以及自动生成的神经网络参数,通过混合使用自动编码器和标准潜在扩散模型,从训练网络参数的随机噪声中合成潜在参数表示,并生成具有可用性的新的网络参数子集,从而稳定地提升性能。