- 使用 VAEs 从冷冻电子显微成像中推断出原子坐标的连续分布
本研究提出了使用变分自编码器的深度学习方法,从挑选后的粒子图像中恢复连续分布的原子蛋白质结构和构象,并在现实模拟数据上展示了其有效性,希望能够将该方法应用于更好地理解非刚性蛋白结构。
- 基于可变近似的无监督域自适应在心脏分割中的应用
本研究提出了基于变分自编码器的无监督域自适应方法,通过在两个领域中应用相同参数的变分分布实现域之间的映射,结合分割模块以进行心脏分割,并在两个跨模态和跨序列的心脏分割任务中证明了该方法的有效性和优势。
- ACL学习鲁棒的潜在特征表示用于可控语音合成
提出了一种 RTI-VAE 方法,使用修改过的 Transformer 架构和信息减少技术来学习可控制的语音数据的潜在变量,从而降低说话者属性聚类的重叠率,相比于 LSTM-VAE 和 vanilla Transformer-VAE,降低了 - CVPR通过联合有损图像压缩和残差压缩学习可扩展的 L∞约束无损图像压缩
本文提出了一种新型的联合有损图像和剩余压缩框架,用于学习 l∞约束的接近无损图像压缩,通过有损图像压缩获得原始图像的有损重建,并均匀量化相应的剩余部分以满足给定的紧 l∞误差界限。
- KDDBLOB:一种结合有机和强化信号的推荐概率模型
通过 Bayesian Latent Organic Bandit 模型将机器推荐的有干预(bandit)和无干预(organic)记录进行有机的结合,通过使用可变自编码器实现扩展以及本地重参数技巧技术实现可扩展的近似全模型并证明在有机环境 - ICML变分自编码器的失效模式及其对下游任务的影响
本研究针对变分自编码器(VAEs)的训练路径学问题进行了详细的探究,对其失败模式进行了具体的描述,并且将其与某些下游任务的不良影响联系起来。
- 伯努利变分自编码器和自控梯度估计的成对监督哈希
介绍了一种基于离散隐变量 VAE 的成对损失函数,通过使用无偏的低方差梯度估计器,优化网络并获得了良好的性能
- ACL跨变分自编码器实现答案检索
本文提出了一种通过交叉生成问题和答案来获取问题答案对齐的表示,进而提高答案检索效果的方法,取得了在 SQuAD 上的优异表现。
- CVPRPatchVAE:学习本地隐藏码进行识别
本文研究无监督学习方法,通过提出基于 PatchVAE 的中层样式表述表示,结合小图像块的处理,以此来提高自动分类识别任务的精度表现。实验结果显示,相比传统的 VAEs 方法,本文的方法取得了更好的识别性能和效果。
- 可能性失误:变分自编码器的异常检测分数
本研究提出了一种基于 Variational Auto-encoders 的有效的异常检测方法 Likelihood Regret,并在现有的检测方法基础上进行了实验,结果表明我们的方法在 VAEs 上具有最佳的异常检测性能。
- ICML用 VAEs 学习平坦的潜在流形
本研究提出了一种基于 Riemannian geometry 的扩展的变分自编码器框架,可以学习平面的潜在流形,通过约束优化问题和使用更具表达力的层次先验代替紧凑先验,使得在保留直线状方法的计算效率的同时,能够在视频跟踪基准测试中接近监督学 - 可学习的 Bernoulli Dropout 用于贝叶斯深度学习
本文提出了可学习 Bernoulli dropout(LBD),它是一个新的模型无关的 dropout 方案,将 dropout 率视为参数,与其他模型参数一起联合优化,通过 Bernoulli dropout 的概率建模,LBD 实现了深 - ACL从解耦的句法和语义空间生成句子
本文提出了一种基于变分自编码器的模型,通过在模型的潜在空间中使用线性化树序列显式建模句法信息,从而生成来自分离的句法和语义子空间的句子,并能应用于无监督的释义生成和句法转换等任务,实验结果优于现有相关工作。
- 使用变分自动编码器进行无监督异常定位
提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案,其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法,实验证明它具有比现有方法更好的性能。
- 基于归一化流的通用音频合成器控制
本文介绍了一种基于变分自编码器和归一化流的新型音频合成器控制形式,以寻找音频合成器的组织潜在声音空间并构建可逆映射到其参数空间的方法,能够同时解决自动参数推断、宏控制学习和基于音频预设的探索问题。实验证明其在参数推断和音频重建方面的优越性, - 交叉变分自编码器实现手写模式的模态转换
本研究尝试构建一个网络以将在线和离线手写字符相互转换。该网络由两个变分自编码器(VAEs)组成,具有共享的潜在空间,通过提出的 Cross-VAE 方法相互转换在线和离线手写字符成为可能。
- AAAI基于图像自适应 GAN 的重建
本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足,提出一种图像自适应的修复方案,增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
- ICML相关变分自编码器
该研究提出了基于相关变量分布的 CVAEs 方法来学习高维数据的潜在表示。通过对无向相关图的所有最大有向无环子图的可计算较低限的平均值来解决相关先验带来的不可计算问题,证明了该方法在公共基准评级数据集的匹配和链接预测,以及合成数据集上的谱聚 - CVPR最大切片 Wasserstein 距离及其在 GAN 中的应用
本研究研究生成式对抗网络(GAN)和变分自编码器在分布建模方面的应用,着重研究了可靠性和效率,提出了一种新的距离度量方法:最大切片 Wasserstein 距离,能够更有效地提高 GAN 的训练效果。
- 使用生成回放进行强化学习的连续状态表示学习
本研究针对建立连续学习中的状态表示模型问题展开讨论,为保留过去知识的同时高效压缩感知状态信息,我们提出了使用变分自编码器(Variational Auto-Encoders)作为状态表示,并基于生成样本的生成回放(Generative Re