- 使用优化的无监督异常检测的多维内容交付网络安全框架
提出了一种利用多角度无监督学习框架实现 CDN 异常检测的方法,该方法通过多方面特征工程、优化的无监督异常检测模型以及多方面验证方法,主要从客户端 IP 和节点视角检测 CDN 中的异常行为,从而识别拒绝服务和缓存污染攻击模式。该方法通过对 - 利用高斯偏差分布检测新闻文章中的媒体偏见
通过研究基于高斯混合模型的概率分布,发现频率和位置对于文章层面的媒体偏见检测至关重要,其次是其精确的时序,相较于只依赖于低水平词汇信息分布的特征和神经文本分类方法。
- 基于因子图的点云 3D 多目标跟踪
本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化,用于处理三维空间中多个移动物体的跟踪问题,并展示了在 KITTI 跟踪数据集上实验的表现。
- 利用多通道卷积神经网络学习人脸呈现攻击检测的单类表示
本文提出了一种基于多通道卷积神经网络的一类分类器方法,其中引入了一种新的损失函数,通过一类高斯混合模型实现面部认证攻击检测,该方法的实验结果表明具有较高的泛化能力。
- IJCAI用于深度图像压缩的通道级变量量化网络
本研究提出了一种基于变量量化的控制器,它能动态分配显著通道和微不足道通道的比特率,同时我们提出了一种高斯混合模型量化器,并通过实验证明了我们的方法能够更好地重构图像并取得更好的性能。
- 包含缺失特征的图形卷积网络
该文提出了一种基于高斯混合模型的图卷积神经网络方法,有效解决了节点特征信息不完整所带来的性能退化问题,实现了端到端的特征填充和图学习过程,并在节点分类和链路预测任务中明显优于基于特征填充技术的方法。
- ICML对抗鲁棒高斯分类具有尖锐的统计保证
本篇论文提出的高斯混合模型广义对抗信噪比概念下,对于对抗鲁棒分类的超额风险给出了最优极小 / 极大保证,并且建立了达到最优风险下界的计算有效估计量。
- ICML标准流进行密度去卷积
本研究旨在探索利用正则流的密度代数方法以恢复被噪声所污染的样本的概率密度函数,本文提出的修正策略包括利用高斯混合模型和变分推断方法,实验发现该方法在密度解卷积方面优于高斯混合模型。
- KDD面向相关性的深度生成模型用于无监督异常检测
本文提出了一种基于关联感知的无监督深度高斯混合模型 (CADGMM) 的异常检测方法,该方法通过图形表示建立了样本间的关联,采用双编码器将特征和关联信息编码到低维潜在空间中,并利用高斯混合模型估计这些样本的密度,从而检测异常。
- 高效深度图像压缩的统一端到端框架
该研究提出了一种基于三种新技术的统一框架,包括通道关注模块、高斯混合模型和解码器侧增强模块,命名为 EDIC,可用于基于学习的图像压缩,并说明该方法优于当前所有先进的图像压缩方法,同时将解码速度提高了超过 150 倍。
- 一种端到端的图像压缩和质量增强联合学习方案,带有改进的熵最小化
本文提出了一种新的联合学习模式的图像压缩和质量增强方案 ——JointIQ-Net,通过采用高斯混合模型进行极小化熵模型改进,并进一步利用全局上下文估计潜在表示的概率,实现了编码效率的极大提升,达到了比传统编解码器和以往学习图像压缩方法更好 - 基于 GMM 的毫米波雷达多模交通监测中的点云分割
以毫米波雷达为传感器,提出基于高分辨率雷达点云的混合高斯模型无监督学习算法,在多模态交通监测中取得了良好的分割效果。
- MM基于门控循环单元的可见光通信支持的无人机最优部署学习
该论文研究了无人机的部署优化问题,提出了一种基于深度学习模型的算法用于解决通信和照明要求下的传输功率最小化问题,在真实数据上测试表明与传统解法相比,最佳部署下可达到 22.1% 的功率降低并给出了部署和工作指导。
- 学习分离高斯混合模型的差分隐私算法
本研究提出了一种新的算法,用于学习高维、高分离度的高斯混合模型的参数,该算法在满足差分隐私强约束的情况下具有与非隐私算法相同的样本复杂度,且不需要对混合组件参数进行先验限制。
- ICML高斯混合模型的量子期望最大化
本研究提出一个基于量子算法的 EM 算法版本,用于解决高维 Gaussian 混合模型拟合问题,相较于传统算法有更快的收敛速度和更高的精度,并且能够推广到指数族分布,提供同样的计算保障。
- 半监督高斯混合模型的渐近贝叶斯风险
本文在贝叶斯框架下研究高维高斯混合模型的半监督学习,通过分析使用标记与未标记数据的最佳半监督方法和只使用标记数据的最佳全监督方法的差距,量化了未标记数据信息对性能的最佳提升。
- MM无监督聚类的变分信息瓶颈:深度高斯混合嵌入
本文提出了一种无监督的生成性聚类框架,将变分信息瓶颈和高斯混合模型相结合。使用变分信息瓶颈方法将潜空间建模为高斯混合物,并导出了一个代价函数的界限,并提供了一种可计算它的变分推断类型算法。通过神经网络参数化编码器映射,并通过蒙特卡罗采样逼近 - 具有新颖性检测能力的变星深度神经网络分类器
利用循环神经网络自编码器进行无监督特征提取和双用途评估网络进行监督分类和新颖性检测,从而构建了周期光变曲线分类器,并证明了自编码器和估计网络的同时训练互惠性,取得了更快的自编码器收敛速度、更好的分类和新颖性检测性能,同时估计网络即使在使用预 - ACL双语词嵌入密度匹配
该研究提出了一种新的基于高斯混合模型和标准化流的跨语言词嵌入方法,通过学习两种单语嵌入空间的概率密度,实现跨语言词嵌入。实验结果表明该方法在具有不同语言结构、复杂形态和遥远语系的词性能够实现有效的性能提升。
- 面向文本生成的主题引导变分自编码器
该研究提出了一种基于主题引导的变分自编码器(TGVAE)模型,该模型使用高斯混合模型作为先验,建立了神经主题模块对语料中的主题进行指导性生成。实验结果表明,该模型在无条件和有条件文本生成方面优于传统的变分自编码器方法。