- CVPR使用扩散模型检测异常地球观测图像
利用扩散模型的重构误差作为无监督的遥感图像越界检测器,引入了一种新型重构得分器 ODEED,并在类地理偏移和近越界设置下,在 SpaceNet 8 上进行了实验验证。结果表明,ODEED 得分器在洪水图像检测等更具挑战性的近越界场景中明显优 - 超越已知:对抗自编码器的新颖性检测
通过线性化保持内点分布结构的流形,我们计算新颖性概率,并在网络的训练协议上进行改进,证明我们的方法在学习目标类别方面是有效的,并在几个基准数据集上优于最新的先进方法。
- EBFT: 有效和块级的稀疏 LLMs 微调
我们提出了一种基于最小化重构误差的高效快速稀疏 LLMs 微调框架,通过采样小数据集进行校准,并利用反向传播逐块优化重构误差,从而获得最佳解决方案。我们在各种基准测试中进行了广泛实验,始终证明我们的方法优于其他基准线。
- 生成式自编码的丢弃模式
我们提出了一种名为解密自编码器的生成模型。在这个模型中,我们为训练数据集中的每个数据点分配一个唯一的随机丢失模式,然后训练一个自编码器来使用该模式作为编码信息来重构相应的数据点。尽管解密自编码器的训练仅依赖于重构误差,但其训练比其他生成模型 - SADIR:面向形状的扩散模型用于 3D 图像重建
利用扩散模型提出一种基于形状感知网络的三维图像重建方法 (SADIR),通过学习形状先验知识降低三维重建中的伪迹,并在脑和心脏核磁共振图像上的实验证明了模型相对基准方法具有更低的重建误差和更好的形状结构保留能力。
- ICCV用于单目深度估计的区外检测
基于重构误差,我们提出了一种检测 encoder-decoder 深度估计模型中的 out-of-distribution 图像的方法,并通过实验证明其在不同模型上的性能优于现有的不确定性估计方法,而无需修改已训练的 encoder-dec - 受限生成投影用于单类分类与异常检测
我们提出了一个简单的框架,用于一类分类和异常检测。学习一个映射来将未知的训练(正常)数据分布转化为已知的目标分布,保证目标分布足够简单、紧凑且具有信息丰富性,同时最小化转化后的数据分布与目标分布的距离,并保持原始数据的重建误差足够小。与基准 - 有针对性的抑制正则化自编码器在异常检测中的应用:中心处的黑洞
本文提出了一种简单的方法,通过在潜在空间中规范表示的规范化项来补充重构损失以改进自编码器的异常检测性能,并在不同的视觉和表格基准测试上进行验证和分析。
- 基于重构误差的少量异常样本检测
探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外,并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。
- ARES: 基于重建的局部自适应异常评分
本文提出基于自适应重建误差评分的方法来改善自编码器在异常检测中的性能问题,并在实验中证明了该方法的有效性与可行性。
- 自编码器简介
本文介绍了自编码器的数学和基本概念,讨论了其局限性、典型用例,以及几个例子,并探讨了其在减少维度、分类、去噪和异常检测等方面的应用。
- 通过内容自适应采样学习图像降采样以进行升采样
本研究提出一种基于内容自适应重采样器 (CAR) 的图像下采样方法,通过反向传播调节模型参数,实现从低分辨率图像恢复高分辨率图像的目标;实验结果表明,该方法比传统插值方法表现更优,通过与深度超采样模型联合训练,取得了最新的超分辨率性能。
- ICCV记忆增强型深度自编码器用于无监督异常检测中的正常模式记忆
提出了一种新的改进的自编码器 —— 记忆增强自编码器(MemAE),它通过一个内存模块来防止在异常检测中出现误检。实验表明,MemAE 在不同数据集上均拥有较好的适用性和有效性。
- AAAI核保持嵌入的相似性学习
本文提出了一种新的相似性学习框架,通过最小化核矩阵的重构误差,而不是现有的重构数据的误差,来提取相似性信息,并在聚类任务中展示了明显的改进,而且该框架为其它相似性任务提供了包括高维数据映射至低维空间在内的一种新的基础。
- 基于深度卷积神经网络的开放式多任务学习
使用卷积神经网络,结合误差嵌入器和解码器的多任务学习方法来提高开放式图像识别准确度,同时使用极值理论来模拟未知类别的误差,实验结果表明此方法优于现有的开放式识别算法。
- 可扩展的 $k$ 子空间深度聚类
本文提出了一种利用深度神经网络中的子空间共同学习嵌入空间,以最小化重建误差来解决子空间聚类问题的方法,从而无需通过亲和矩阵来执行聚类,大大提高了聚类准确性并降低了内存占用。
- 全面评估,信任少数,不对任何人做错:比较句子生成模型
本研究比较了针对文本生成的神经生成模型,其中包括变分自编码器,并对其潜在编码的先验分布进行了控制,同时注意到了重构误差,并使用了多种自动和人工评估指标对其进行了全面评估,旨在成为比较文本神经生成模型的新的评估标准。
- 具监督矩阵补全的主动特征获取
本文提出了一种通过联合执行主动特征查询和监督矩阵完成来训练有效分类模型的方法,以最小化获取成本,并同时降低误差和监督损失。此外,还提出了一种成本感知的活动选择双目标优化方法来选择不同获取成本的特征。该方法已通过理论分析和实验研究得到了有效验 - 使用 RIP 矩阵的量化压缩感知:抖动的好处
研究了在估计稀疏或可压缩信号时,使用某些随机矩阵构造、添加均匀随机向量或随机噪声来量化信号,可以使信号重建误差降低。并分别在多种情境下进行数值验证。
- NISP:使用神经元重要性得分传播剪枝网络
本论文提出了通过神经元网络联合剪枝最小化最终权值层的重建误差来提升 CNN 的计算效率与压缩率的方法,并推导了闭合形式的解决方案来解决神经元剪枝问题。结果表明,利用该方法可以实现显著的加速和压缩,且几乎不影响 CNN 的预测能力。