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。
Masked BRep Autoencoder via Hierarchical Graph Transformer
Arxiv
0+阅读 · 3月17日
MO-SAE:Multi-Objective Stacked Autoencoders Optimization for Edge Anomaly Detection
Arxiv
0+阅读 · 3月14日
Masked BRep Autoencoder via Hierarchical Graph Transformer
Arxiv
0+阅读 · 3月16日
Is the reconstruction loss culprit? An attempt to outperform JEPA
Arxiv
0+阅读 · 3月14日
Geometric Autoencoder Priors for Bayesian Inversion: Learn First Observe Later
Arxiv
0+阅读 · 2月27日
Learning Tangent Bundles and Characteristic Classes with Autoencoder Atlases
Arxiv
0+阅读 · 2月26日
A Generative-First Neural Audio Autoencoder
Arxiv
0+阅读 · 2月19日
Synthetic data for ratemaking: imputation-based methods vs adversarial networks and autoencoders
Arxiv
0+阅读 · 3月8日
GRILL: Restoring Gradient Signal in Ill-Conditioned Layers for More Effective Adversarial Attacks on Autoencoders
Arxiv
0+阅读 · 2月23日
Facet-Level Persona Control by Trait-Activated Routing with Contrastive SAE for Role-Playing LLMs
Arxiv
0+阅读 · 2月22日
Latent Diffusion Model without Variational Autoencoder
Arxiv
0+阅读 · 3月2日
Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation
Arxiv
0+阅读 · 2月26日
On Geometry Regularization in Autoencoder Reduced-Order Models with Latent Neural ODE Dynamics
Arxiv
0+阅读 · 3月3日
S-PRESSO: Ultra Low Bitrate Sound Effect Compression With Diffusion Autoencoders And Offline Quantization
Arxiv
0+阅读 · 2月23日
Sparse Autoencoders Can Capture Language-Specific Concepts Across Diverse Languages
Arxiv
0+阅读 · 2月23日
参考链接
微信扫码咨询专知VIP会员
Top