会员服务
自动编码器是一种人工神经网络，用于以无监督的方式学习有效的数据编码。自动编码器的目的是通过训练网络忽略信号“噪声”来学习一组数据的表示（编码），通常用于降维。与简化方面一起，学习了重构方面，在此，自动编码器尝试从简化编码中生成尽可能接近其原始输入的表示形式，从而得到其名称。基本模型存在几种变体，其目的是迫使学习的输入表示形式具有有用的属性。自动编码器可有效地解决许多应用问题，从面部识别到获取单词的语义。
3D Masked Autoencoders are Robust Learners of Volumetric and Multimodal Cellular Representations for Microscopy
Arxiv
0+阅读 · 6月22日
Rapid FinFET Modelling Using an Autoencoder
Arxiv
0+阅读 · 6月23日
Evaluating the Interpretability of Sparse Autoencoders with Concept Annotations
Arxiv
0+阅读 · 6月23日
A Standard Processing Pipeline for High-accuracy Measurement of Few-shot Regression on Laser Induced Breakdown Spectroscopy
Arxiv
0+阅读 · 6月20日
Robust SCMA Codebook Design: A Hardware-Aware Autoencoder Approach
Arxiv
0+阅读 · 6月21日
Do Sparse Autoencoders Learn Meaningful Concept Hierarchies?
Arxiv
0+阅读 · 6月22日
Beyond Linear and Overcomplete Regimes: A Mean-Field Analysis of Bottleneck Autoencoders
Arxiv
0+阅读 · 6月22日
Contrastive and Adaptive Multi-modal Masked Autoencoder for Spatial Transcriptomics
Arxiv
0+阅读 · 6月19日
ACTIVA: Amortized Causal Effect Estimation via Transformer-based Variational Autoencoder
Arxiv
0+阅读 · 6月19日
Addressing Detail Bottlenecks in Latent Diffusion for RGB-to-SWIR Image Translation
Arxiv
0+阅读 · 6月18日
Gaussian Process Prior Variational Autoencoder for Endoscopic Videos
Arxiv
0+阅读 · 6月18日
Neural Events: Discrete Asynchronous Autoencoders for Event-Based Vision
Arxiv
0+阅读 · 6月18日
SAERec: Constructing Fine-grained Interpretable Intents Priors via Sparse Autoencoders for Recommendation
Arxiv
0+阅读 · 6月17日
Revealing Hidden Vulnerabilities in Autoencoders through Gradient Signal Restoration
Arxiv
0+阅读 · 6月17日
Effects of sparsity and superposition on loss in simple autoencoders
Arxiv
0+阅读 · 6月16日
参考链接
微信扫码咨询专知VIP会员
Top