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。
MSVAE: Rethinking Musical Semantics in Continuous Latent Spaces
Arxiv
0+阅读 · 10月12日
Generation of data on discontinuous manifolds via continuous stochastic non-invertible networks
Arxiv
0+阅读 · 10月14日
Sparse Autoencoders for Mechanistic Interpretability in NLP: A Critical Survey of Recoverability, Interpretability, and Utility
Arxiv
0+阅读 · 10月14日
Towards Open-Ended Visual Scientific Discovery with Sparse Autoencoders
Arxiv
0+阅读 · 10月13日
Sparse Autoencoders Are a Shared Coordinate System for Symbolic Matching
Arxiv
0+阅读 · 10月14日
CktHGVAE: A Symmetric Design/State Heterogeneous Graph Variational Autoencoder for Transistor-level Analog/Mixed-signal Circuit Design and Analysis
Arxiv
0+阅读 · 10月14日
VGGA: Geometry-Grounded Autoencoder for Video Generation
Arxiv
0+阅读 · 10月12日
Strengthening Target-Language Features: SAE-Based Steering for Multilingual Inference
Arxiv
0+阅读 · 10月11日
Variable Input Masked Autoencoders for Wrist-Worn Accelerometry
Arxiv
0+阅读 · 10月12日
What Do Sparse Autoencoder Feature Discovery Scores Identify? From Activations to Interventions
Arxiv
0+阅读 · 10月11日
Learning Perturbation-Specific Representations through Conditional Energy Prior for Cellular Response Prediction
Arxiv
0+阅读 · 10月13日
Goal-Oriented Ordered Autoencoding for Successive Refinement in Progressive Communication
Arxiv
0+阅读 · 10月9日
Mechanistic Knobs in LLMs: Retrieving and Steering High-Order Semantic Features via Sparse Autoencoders
Arxiv
0+阅读 · 10月13日
Efficient Scene-Text Refinement via Pixel-Space Grouped Image Generation
Arxiv
0+阅读 · 10月13日
Surface-volume self-supervised representation learning of brain MRI for genetic discovery
Arxiv
0+阅读 · 10月12日
参考链接
微信扫码咨询专知VIP会员
Top