【ICML2021】统一鲁棒半监督变分自编码器

2021 年 7 月 12 日 专知



在统一鲁棒半监督变分自编码器(URSVAE)中,通过同时处理噪声标签和异常值,提出了一种新的噪声鲁棒半监督深度生成模型。输入数据的不确定性通常是将不确定性优先于概率密度分布的参数,以确保变分编码器对异常值的鲁棒性。随后,我们将噪声转换模型自然地集成到我们的模型中,以减轻噪声标签的有害影响。此外,为了进一步增强鲁棒性,采用鲁棒散度测度,推导并优化了新的变分下界来推断网络参数。通过证明对所提证据下界的影响函数是有界的,证明了所提模型在存在复合噪声的情况下在分类方面的巨大潜力。通过对图像分类任务的评价和与现有方法的比较,实验结果表明了该框架的优越性。


http://proceedings.mlr.press/v139/chen21a.html



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“SVAE” 就可以获取【ICML2021】统一鲁棒半监督变分自编码器》专知下载链接

专知,专业可信的人工智能知识分发 ,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!


欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
1

相关内容

专知会员服务
21+阅读 · 2021年9月23日
专知会员服务
18+阅读 · 2021年9月19日
专知会员服务
33+阅读 · 2021年9月18日
专知会员服务
9+阅读 · 2021年7月28日
专知会员服务
16+阅读 · 2021年7月13日
专知会员服务
24+阅读 · 2021年6月15日
专知会员服务
36+阅读 · 2021年6月3日
专知会员服务
81+阅读 · 2021年5月10日
【CVPR2021】CausalVAE: 引入因果结构的解耦表示学习
专知会员服务
36+阅读 · 2021年3月28日
【AAAI2021】基于双任务一致性的半监督医学图像分割
专知会员服务
30+阅读 · 2021年2月7日
【ICML2021】低秩Sinkhorn 分解
专知
9+阅读 · 2021年8月20日
【ICML2021】因果匹配领域泛化
专知
12+阅读 · 2021年8月12日
【AAAI2021】自监督对应学习的对比转换
专知
12+阅读 · 2020年12月11日
【NeurIPS2020 】数据扩充的图对比学习
专知
9+阅读 · 2020年11月9日
注意力图神经网络的多标签文本分类
专知
8+阅读 · 2020年3月28日
Disentangled Information Bottleneck
Arxiv
12+阅读 · 2020年12月22日
Arxiv
8+阅读 · 2020年10月7日
Arxiv
21+阅读 · 2019年8月21日
Arxiv
26+阅读 · 2019年3月5日
Viewpoint Estimation-Insights & Model
Arxiv
3+阅读 · 2018年7月3日
Arxiv
4+阅读 · 2018年4月17日
VIP会员
相关VIP内容
专知会员服务
21+阅读 · 2021年9月23日
专知会员服务
18+阅读 · 2021年9月19日
专知会员服务
33+阅读 · 2021年9月18日
专知会员服务
9+阅读 · 2021年7月28日
专知会员服务
16+阅读 · 2021年7月13日
专知会员服务
24+阅读 · 2021年6月15日
专知会员服务
36+阅读 · 2021年6月3日
专知会员服务
81+阅读 · 2021年5月10日
【CVPR2021】CausalVAE: 引入因果结构的解耦表示学习
专知会员服务
36+阅读 · 2021年3月28日
【AAAI2021】基于双任务一致性的半监督医学图像分割
专知会员服务
30+阅读 · 2021年2月7日
相关论文
Disentangled Information Bottleneck
Arxiv
12+阅读 · 2020年12月22日
Arxiv
8+阅读 · 2020年10月7日
Arxiv
21+阅读 · 2019年8月21日
Arxiv
26+阅读 · 2019年3月5日
Viewpoint Estimation-Insights & Model
Arxiv
3+阅读 · 2018年7月3日
Arxiv
4+阅读 · 2018年4月17日
Top
微信扫码咨询专知VIP会员