关键词variational regularization
搜索结果 - 6
- 图像逆问题的凸隐式优化对抗正则化
通过引入 Convex Latent-Optimized Adversarial Regularizers (CLEAR) 这种新的可解释数据驱动模型,我们结合深度学习和变分正则化的技术,利用潜在优化技术对输入的凸性神经网络进行对抗训练,实 - 动态双层学习与不精确线搜索
使用变分正则化方法,通过双层学习来学习合适的超参数,同时提出了能够收敛到损失函数超参数的稳定点的近似回溯线搜索算法,并在变分正则化问题的超参数估计中展示了其有效性和可行性。
- 通过双层学习寻找最优正则化参数
利用变分正则化方法求解线性反问题时,采用超参数调节正则化项,通过强化先验信息来提高求解结果,核心问题在于如何选择一个合适的正则化参数。本文提出了一个新的条件来更好地描述正则化参数的正性,并验证和探索了这个新条件,同时也探究了这个新条件在小和 - ICLR用变分循环神经网络进行图分类
本文提出了一种基于自然语言处理技术的图分类方法,使用结构信息嵌入,采用类似于 NLP 的证明技术,对几个标准分子数据集进行了实验,取得了最先进的分类结果,并对节点预测是否有助于更好地分类图进行了定性分析。
- 逆问题中的对抗正则化器
该论文提出了一种新的框架,利用神经网络作为正则化函数,将数据驱动方法应用于逆问题解决,该算法可以在没有监督训练数据的情况下应用于逆问题,并在 BSDS 数据集上显示了去噪和在 LIDC 数据集上显示了计算机断层扫描重建的潜力。
- 多参数选择的 Stein 无偏梯度估计器(SUGAR)风险
本文提出了一种使用 Stein 无偏风险估计(SURE)和弱梯度(SUGAR)来优化模型连续参数集合的方法,旨在解决使用非平滑正则化(如软阈值)时,SURE 成为参数的不连续函数而不能使用渐变下降优化技术的问题。同时,本文还给出了 SUGA