- 基于无监督深度学习的超大规模 MIMO 近场波束成形
使用基于无监督深度学习的近场波束赋形方法,提出了一种解决极大规模阵列 (ELAA) 通信系统中波束训练开销问题的方法,该方法通过优化波束形成器来最大化多用户网络中的可达速率,并显著降低近场区域的波束训练成本。
- 卫星图像中火山活动异常检测
该研究探索了使用无监督深度学习在卫星数据中识别火山变形作为异常的方法,利用 Patch Distribution Modeling (PaDiM) 模型并通过加权距离增强检测性能,同时还提出了预处理方法来处理噪声和不完整数据点。最终使用五座 - 深高斯混合模型用于无监督图像分割
使用深度学习、高斯混合模型和卷积神经网络方法,本研究提出了一种可以快速预测标签概率的图像分割方法,并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点,通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。
- 智能卫星物联网系统的异常检测任务
基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统,在考虑了本地子序列中包含的不同特征信息的基础上,自动学习环境传感器变量之间的复杂线性和非线性依赖关系,利用重构误差和判别误差的异常得分计算方法,可以高实时性地监测实际传感器数据的异 - 粒子加速器中束流动力学的条件潜变自回归模型的生成和预测
使用两步无监督深度学习框架,名为 CLARM,来学习加速器中带电粒子的时空动态
- 基于最优输运和凸分析的成像反问题的无监督方法
无监督深度学习在图像处理领域中日益成为研究的关键,能够通过学习表达丰富且强大的重构操作符来解决高质量训练数据稀缺的问题。本文回顾了基于最优运输和凸分析的理论上有依据的无监督学习方案,重点介绍了基于循环一致性模型和学习对抗规则化方法等具有明确 - 知识蒸馏用于异常检测
无监督深度学习技术广泛用于识别异常行为。该研究介绍了一种基于知识蒸馏的新型过程,用于将无监督异常检测模型压缩成监督可部署模型,并提出了一套提高检测敏感性的技术集合。压缩模型在显著减小大小和内存占用的同时,性能与较大模型相当。
- MISFIT-V:利用热像和可视信息的错位图像合成与融合
使用来自热像和视觉的信息进行失配图像合成和融合(MISFIT-V)是一种新型的双重无监督深度学习方法,利用生成对抗网络(GAN)和交叉注意机制从每个模态中捕获最相关的特征。实验结果表明,与现有的视觉 - 热像融合方法相比,MISFIT-V - 基于自编码器的 CMS 电磁量能器在线数据质量监测
使用无监督深度学习开发了一个实时自编码器异常检测系统,能够检测先前数据中未见的 ECAL 异常,通过考虑 ECAL 响应的空间变化和异常的时间演变,该系统能够高效地检测异常,估计的错误发现率在 $10^{-2}$ 到 $10^{-4}$ 之 - 一次性解码:基于深度无监督学习的极化编码器
本文提出了一种基于自监督学习的无监督深度学习解码方案,其将极化码的发生矩阵作为信息标签,使神经网络充当有界距离解码器,大大提高了通信系统的实际应用性能。经计算机模拟验证,与传统编码方案相比,该方案具有更优异的泛化能力和无限接近最大后验概率解 - 通过 IF-PCA 和几种最近的方法进行主题聚类
本文提出了一种将 VAE 和 IF‐PCA 相结合的新方法 IF-VAE,应用于受试者聚类问题,实验结果表明,IF-VAE 在某些情况下比 VAE 具有更好的表现,但是 IF-PCA 仍然是更优秀的选择。
- 探究基于能量的神经网络的生成动态
探讨采用 Restricted Boltzmann Machines 作为深度无监督学习结构的生成神经网络的生成动力学,并通过 RBM 对手写数字数据集进行实验证明从 Chimera 状态启动自上而下的采样可以增加生成多种数字的能力,然而 - ICLR基于结构 Koopman 自编码器的多因素时序解缠
本论文研究多要素解缠的深度学习方法,结合 Koopman 自编码器,提出了一种基于谱损失函数的结构 Koopman 矩阵及解缠算法,支持多静态要素交换,并在标准基准测试中显着提高了解缠效果。
- IJCAI从视频中提取动态系统的控制规律和源输入
本文介绍了一种端到端的无监督深度学习框架,基于录制的视频可以揭示物体运动的明确控制方程,在物理坐标系中建立其物理规律,并通过数值积分器和稀疏回归模块,同时解决了文献中尚无现有方法适用的问题,并成功地应用于几个动态系统的记录。
- 无监督学习群不变和等变表示
本文针对深度学习的无监督学习,将群不变和群等变表示学习扩展到了该领域。我们提出了一种基于编码器 - 解码器框架的通用学习策略,其中潜在表示被分为不变项和等变群作用项。在利用预测适当的群作用来对齐输入和输出姿势以解决重建任务时,网络可以学习将 - MMDeepAID:安全应用中基于深度学习的异常检测的解释与改进
DeepAID 是一个用于解释无监督深度学习模型在安全领域异常检测系统中的通用框架,提供了一种新颖的解释方法,可以满足安全领域的特定要求,并提供了模型扩展来解决特定的问题。实验证明 DeepAID 可以为无监督深度学习模型提供高质量解释,同 - 无监督深度图像拼接:重建拼接特征到图像
本论文提出了一种基于无监督深度学习的图像拼接框架,包括无监督的粗略图像对齐和无监督的图像重建两个阶段,使用了降分辨率变形支路和提高分辨率的精化支路,其精度优于现有的其他技术。
- ICLR理解生成对抗网络中的过度参数化
本文关于 GANS 的理论与实证研究表明,过参数化的 GAN 模型具有更高质量和稳定性的生成语言表现,并能更快更稳定地收敛于非凸函数的全局鞍点。
- PAUL: 无监督提升的普科鲁斯特自编码器
采用 3D 深度自编码器作为 NRSfM 先验的 Procustean 自编码器可在多个基准测试中展现出与 Deep NRSfM 和 C3PDO 等技术相比的最新性能。
- 对比学习实现的深度鲁棒聚类
该论文介绍了一种新的深度聚类方法 - Deep Robust Clustering (DRC),它从两方面同时考虑了语义聚类和特征表现,从而增加了跨类别差异并同时减少了类内差异,且通过数据增强和对比损失的最小化在多项基准测试中显著提高了准确