- 异质图的分离式双曲线表征学习
本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络,旨在通过独立的信息传播来解缰语义特征和结构特征,以及通过超几何结构拉近数据分布和表示空间的差距,并在诸多真实世界异构图数据集上进行验证,结果证明其在超几何空间中解缰和表示 - PURE: 通过识别相关电路将多义性神经元转化为纯特征
我们提出了一种方法,通过将多义性神经元分解为多个单义性的 “虚拟” 神经元,从而解开深度神经网络中的多义性,实现了深度神经网络的解释性。
- 视觉 Transformer 中钥匙的流形表示
该研究通过解耦键值查询,采取流形表示的方式,探索了视觉 Transformer 模型性能的提升,实验证明这种方法可以显著增加模型在图片分类、目标检测和实例分割任务中的准确性。
- EMNLP多跳空间推理中的提取与推理解耦合
我们在这篇论文中探讨了利用信息提取和推理进行解耦来解决空间推理中遇到的挑战,并通过与无明确设计这些部分的最新技术基准进行比较,实验证明解耦的有效性,展示了增强模型在现实数据领域中的泛化能力。
- 无监督利用三维感知潜在扩散模型对面部特征进行解耦
本文提出了一种新颖的无监督解缠面部表情和身份表示的框架 ——LatentFace,并使用 3D 感知的潜入模型来解决这一问题。该方法在面部表情识别和面部验证等无监督面部表示学习模型中取得了最先进的性能。
- 用于推荐系统中偏好理解的因果分离变分自编码器
本文提出了一种新方法 - 因果分离变分自编码器(CaD-VAE),该方法可以从交互数据中学习因果分离表示,以改善推荐模型的鲁棒性、可解释性和可控性,结果表明此方法可以优于现有的方法
- CVPR无监督部件分割:通过分离外观与形状
研究无监督发现和分割物体部分的问题,通过分离物体部分的外貌和形状表示来进一步优化分割性能,获得更一致的具有语义意义的部分。
- 无对抗训练的多类型解缠
本文提出了一种针对多类型解缠的统一分布控制方法,以达到风格 - 内容解缠和多类型解缠的效果,在两个数据集上进行实验评估其风格解缠效果和无监督风格转移性能。
- CVPR长尾视觉识别中的标签分布解耦
该研究论文提出了一种基于标签分布解缠模型预测的方法 (LADE) 用于解决长尾视觉识别的问题,其在多个基准数据集上表现优于现有方法,具有很好的实用价值。
- 自学转换以改善注视和头部重定向
本文提出了一种新颖的生成模型,能够在控制眼睛注视和头部方向角度方面达到细粒度控制,并通过在自学习中学习发现、解缠和编码这些外部变化来分离众多与外貌相关的因素,进而优化了准确性和数据下游任务,从而提高了端到端交叉数据集准确性的能力。
- 子空间扩散分离
提出一种新的非参数对称性解缠算法:GEOMANCER,它通过估计随机扩散下的不变子空间来实现数据流形的完全无监督解缠,并对多个复杂合成流形的实验证明了其有效性。
- CVPR针对无偏鉴定的加性对抗学习
本文提出了一种新颖的两阶段方法来解决数据驱动身份验证过程中存在的偏差问题,该方法通过一对多的解缠学习机制学习解缠表示,并通过加性对抗学习机制进一步改进解缠。全面的评估结果证明了该方法的有效性和优越性。
- ICML自然聚类下的鲁棒表征学习和解排
我们提出 N-VAE,一种深度模型,能够检测和区分不同类别之间独有和共享的可变因素,并生成包含训练数据中看不到特征的人工样本。
- 弯曲自编码器:形状和外观的无监督分解
Deforming Autoencoders 是一种用于图像生成的生成模型,通过无监督方式将形状与外观分离。使用模板坐标系表示形状,并且可以成功分解面部图像成明暗和反照率两部分,在模板坐标系上更强大的无监督分解变得可能。
- 双向置换分离
本文提出了一种基于弱监督的双交换去缠绕方法 (Dual Swap Disentangling, DSD),它使用标记和未标记的数据共同作用来达到区分属性的目的,该方法采用双自编码器结构,通过编码 - 交换 - 解码的过程来实现样本属性区分。 - 半监督融合生成对抗网络用于条件图像生成
本文介绍了 FusedGAN,一种深度网络,用于具有可控多样性采样的条件图像合成。通过将生成过程解耦为各个阶段,它可以在很高的保真度下执行可控的多样性图像采样,并通过融合两个生成器来实现。我们在文本到图像和属性到人脸生成等细粒度图像生成任务 - ICLRDNA-GAN:从多属性图像中学习解缠表示
本文提出了一种名为 DNA-GAN 的监督学习模型,其通过将图像的不同特征或属性分解开来,达到了逼真的图像生成和特征分离的效果,并在 Multi-PIE 和 CelebA 数据集上得到实验证明其在因素分离方面是有效的。
- 独立可控特征
本文旨在研究如何在交互环境中通过找出学习者可控制的因素来寻找控制观察数据变异因素的因素,提出了一种新颖的方法并在实验中进行了测试。