- 使用去噪自编码器提高生成设计的可信度评估
使用深度生成模型(DGM)进行生成设计的研究表明,常用的评估指标往往不能准确评估结构不合理性,本研究提出基于简单去噪自编码器(DAE)的度量方法,在三个数据集上与 Fréchet Inception Distance 和其它先进指标进行对比 - 使用物理信息机器学习校准宏观交通流模型
本文提出了一种新颖的基于物理信息和深度自编码器的学习校准方法,通过结合经典的深度自编码器和交通流动模型,以相对于传统基于优化方法的方法可比甚至更好的性能处理流量和速度测量来推出合理的交通参数。同时,引入去噪自编码器来应对有缺失值的交通数据的 - 基于降噪自编码器的防御蒸馏作为对抗鲁棒性算法
本文提出了一种结合了防御蒸馏机制和去噪自动编码器(DAE)的新方法,旨在通过识别和重构有毒的对抗性输入来降低蒸馏模型对毒性攻击的敏感性从而防御深度神经网络 (DNNs) 的对抗性攻击。实验结果表明,该方法成功地识别和重构了有毒的输入,同时也 - 使用联合变分自编码器改进远场语音识别
本文主要研究匹配情况下的语音增强问题,提出了一种基于联合 VAE 映射的方法,将远场的语音特征转换为近距离的特征,实验结果表明,改进的方法比 DA 方法和直接使用远场特征训练 AM 的方法分别在 WER 上提高了 2.5% 和 3.96%。
- EMNLP重拾零样本神经机器翻译:从潜在变量角度出发
该研究利用深度学习方法,将自然语言翻译应用于零式翻译,提出使用去噪自编码器和支点语言改进零式翻译的传统训练目标,以提高翻译准确性,并在两个基准机器翻译数据集上取得了优异的表现。
- WWWMemStream: 基于内存的流式异常检测
本文提出了 MemStream,一种流异常检测框架,使用去噪自编码器和内存模块来检测和适应于不断变化的数据趋势,以应对流式数据中的异常情况和概念漂移,并通过实验结果证明其有效性。
- ACL语言嵌入:用于语言类型学和跨语言迁移学习
本研究探究是否可以通过学习表示语言之间关系的语言表示来进行跨语言任务,而无需使用平行数据。使用去噪自编码器产生 29 种语言的密集嵌入,并在零样本情况下使用 WALS 和两个外部任务(跨语言依赖解析和跨语言自然语言推理)来评估嵌入。
- 利用文本数据增强语音转文本任务的通用多任务学习框架
本文提出了一种多任务学习框架,利用文本数据来提高自动语音识别和语音翻译的性能,其中包括基于注意力的序列到序列建模、去噪自动编码器、机器翻译等技术。在英语语音识别任务中,该方法相对于基线线下降了 10~15% 的词错误率,在 MuST-C 任 - 面向鲁棒性医学图像分割的测试时间可适应神经网络
我们提出了一种基于图像归一化和去噪自动编码器的 CNN 分割方法,该方法可以处理医疗图像分割中由于扫描仪模型或协议差异而导致的训练和测试图像不匹配问题,并能够适应多中心数据集以及其他分割网络。
- AAAI针对非平行作者风格改写的语言模型适应性
该研究提出了一种利用 Transformer 神经模型生成特定作者风格文章的方法,并采用去噪自编码器 (DAE) 损失,通过微调预训练语言模型来提高作者风格的产生,同时通过定量和定性方法证明该方法比现有技术更加有效。
- 从 RGB 图像中学习 6D 物体探测的隐式三维方向
我们提出了一种基于实时 RGB 的管道来实现物体检测和六自由度姿态估计。我们的创新性三维方向估计基于域随机化训练的三维模型的模拟视图,采用了变体的降噪自编码器。我们称之为增强自编码器相较于现有方法具有多个优点:它不需要真实标注的训练数据,适 - EMNLP利用语言模型和降噪自编码器改善无监督逐字翻译
本文提出了简单而有效的方法,通过使用单语语料库而无需任何回译来改善跨语言嵌入的逐字翻译,并结合语言模型和噪声自编码器来提高其翻译性能,分析了词汇量和去噪类型对翻译效果的影响。
- NIPS去噪自编码器的运输分析:一种分析深度神经网络的新方法
本文通过将特征映射视为运输映射,研究了深度学习的基本案例 - 去噪自编码器(DAE)的运输动态,并揭示了无限深的 DAE 如何将 mass 输送出去以减少数据分布的某种数量,即熵,这些结果虽然在数学上很简单,但是启示我们深度神经网络和 Wa - VIGAN: 基于生成对抗网络的缺失视图插值
本文提出了一种基于生成对抗网络(GAN)和去噪自动编码器(DAE)的视图插补方法,该方法能够有效地解决多视图数据分析中的缺失视图问题,并可用于生命科学领域的遗传研究。
- 利用生成对抗网络对文档进行建模
使用生成对抗网络的方法学习自然语言文件的分布式表征,并提出一种基于最近提出的基于能量的 GAN 的模型,但使用去噪自编码器作为鉴别器网络,从鉴别器的隐藏层中提取文件表示,并在定量和定性方面进行评估。
- ICLR带调制侧连接去噪自编码器学习自然图像的不变表示
研究表明,编码器和解码器之间的适当侧向连接可以使去噪自编码器(dAE)的更高层专注于不变表示。添加被允许调制侧向连接的不变特征可以将抽象不变特征翻译为详细的重构,并支持形成不同的不变池。通过在真实世界图像上进行实验,发现添加调制的侧向连接到 - 从神经 PCA 到深度无监督学习
提出了一种支持深度无监督学习的网络,使用编码器到解码器的侧向快捷连接来支持层次结构,并通过去噪自编码器和去噪源分离框架进行学习,以学习不变特征。
- ICLR定时去噪自编码器
本文提出了一种表示学习方法,可以在多个不同的尺度下学习特征,在无监督的去噪自编码器框架内工作,观察到在训练期间当输入受到严重破坏时,网络倾向于学习粗粒度特征,而当输入仅稍微破坏时,网络倾向于学习细粒度特征。本文提出了一个定制的去噪自编码器,