- IJCAISVD-AE:协同过滤的简化自编码器
通过设计一种基于奇异向量分解(SVD)的线性自编码器,该研究提出了一种简单而有效的 SVD-AE 算法,该算法不需要迭代训练过程,可以通过 SVD 的闭式解进行计算,提高了推荐系统的噪声容忍性和效率。
- 基于物理引导的机器学习的光谱数据反演问题
我们提出了正则化循环推断机(rRIM),一种新颖的机器学习方法,用于通过测量的光谱推导配对胶功能的挑战性问题。rRIM 将物理原理融入训练和推断中,具有噪声鲁棒性、适应性和减少数据需求的特点。它有效地从实验光谱中获取可靠的配对胶功能,并为类 - 三种 NMF 算法的鲁棒性分析(L1 范数鲁棒 NMF,L2-1 范数 NMF,L2 范数 NMF)
我们的研究旨在探究非负矩阵分解 (NMF) 在面对不同类型的噪声时的噪声稳健性。通过使用三种不同的 NMF 算法(L1 NMF,L2 NMF 和 L21 NMF)以及 ORL 和 YaleB 数据集进行一系列的模拟实验,分别使用盐和胡椒噪声 - 弱形式潜在空间动力学识别
基于弱形式方程的数据驱动建模技术在 LaSDI 算法中显示出显著的噪声鲁棒性提高,引入的 WLaSDI 相较于 LaSDI 具有更强的鲁棒性和精度,速度也得到了数个数量级的提升。
- 超越 U:打造更快速、更轻量级的扩散模型
利用连续动力系统设计一种新型去噪网络,以提高扩散模型的参数效率、收敛速度和噪声鲁棒性。与基准模型相比,该模型具有约四分之一的参数量和百分之三十的浮点操作数(FLOPs),推理速度提高了 70%,并且收敛到了更好的质量解。
- 噪声鲁棒性神经网络架构
通过将神经网络架构中的每个自由参数表示为不确定性间隔,并对每个输入元素应用线性变换,我们提出了一种神经网络结构(土丘神经网络),用于识别普通嘈杂图像而无需在训练数据中添加任何人造噪音。通过对 MNIST 数据集的简单土丘神经网络的应用,我们 - 通过码本查找恢复洁净语音表示以提高噪声鲁棒性 ASR 的 Wav2code
本文提出了一种名为 Wav2code 的自监督框架,用于实现无失真的一般性语音增强,以提高在各种噪声条件下的语音识别性能。
- 基于深度 Q 学习的模块化生产环境下的车辆管理
本文研究了在离散事件模拟环境下,使用基于 Deep-Q 的深度强化学习代理来解决模块化生产设施中的作业车间调度问题。研究发现,相比于传统启发式和成本表等方法,基于 DRL 的代理相当,并且具有更高的噪声稳健性,对于这种类型的调度问题值得尝试 - 鲁棒性自监督视听语音识别
本文提出了一个基于 AV-HuBERT 模型的自监督音视频言语识别框架,利用 LRS3 数据集的少量标记数据,在噪音干扰的情况下提高了超过 50% 的性能,并且比基于音频的模型将词错误率减少了 75% 以上。
- WaveCNet: 集成小波变换的卷积神经网络以抑制混叠效应,实现抗噪图像分类
该论文提出了一种将小波变换与 CNN 融合的方法,通过 DWT/IDWT 层将特征图分成低频和高频两部分来提高 CNN 对噪声和对抗性攻击的鲁棒性,并在 COCO 检测数据集上不断提高 object detectors 性能的实验结果表明, - 网络中量子非局域性问题的神经网络预言机
本研究使用神经网络作为数值工具,通过学习复制分布所需的经典策略,克服了观测概率分布是否仅使用经典资源就可复制的因果推断任务。我们将此方法应用于三角形配置的几个示例,给出了几个分布的噪声稳健性的估计,证明了 [Gisin et al., En - DeepMoD:用于嘈杂数据中模型发现的深度学习
DeepMoD 是一个基于深度学习的模型发现算法,使用稀疏回归在可能的函数库及其导数上发现时空数据集下的偏微分方程,并通过神经网络近似数据并构建函数库,同时具有非常强的鲁棒性,适用于小数据集,并且不需要训练集。
- 深度神经网络架构受退化影响的效果
本文通过对几种深度学习算法在不同图像噪声下的表现进行评估,研究了针对噪声鲁棒性的不同网络架构,以辅助在特定应用环境下选择最佳模型。
- 非绝热几何量子门的即插即用方法
本文提出了一种可拓展的 NHQC {h} 方法,可以在构建地理量子门时保持灵活性和鲁棒性,实现了各种物理平台上的量子计算机,应用了大量的新技术,包括几何相位和最优控制理论的噪声鲁棒性。
- IJCAIRo-SOS: 基于度量学习的鲁棒显著目标分割 Metric Expression Network (MEnet)
该论文提出了一种新的端到端泛化显著性目标分割模型 MEnet,使用一种新的拓扑空间来确定深度网络所确定的隐式度量,可忍受压缩和噪声等扰动,实现在像素级别上对显著区域和非显著区域的聚类,进而能够对出现在图像中的显著对象进行分割,同时该方法能够 - 分层量子分类器
本文研究发现使用具有分层结构的量子电路可以在量子态中完成经典数据的二分类,并且更加表达力的电路可以实现更高的准确性。在两个常规机器学习数据集和一个量子态数据集上比较了多个参数化的表现,并证明性能对于噪声具有鲁棒性,并将一个 Iris 数据集 - NIPS噪声语音识别的不变表示
本研究旨在通过使用生成对抗网络和领域自适应思想来鼓励神经网络声学模型学习不变特征表示,以实现自动语音识别系统对声学变异的鲁棒性提高。所提出的方法具有普适性,尤其适用于仅针对少量噪声类别进行训练的情况。
- 一种用于提高自动语音识别中噪声稳健性的课程学习方法
这篇论文提出了一种相对简单的课程式的训练策略,称为 Accordion Annealing(ACCAN),它利用一个多阶段的训练计划来增加语音识别系统的噪声韧性,同时应用 Per-epoch Noise Mixing(PEM)方法来动态改变