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。
成为VIP会员查看完整内容
Unified Robust Semi-Supervised Variational Autoencoder
相关内容
Arxiv
0+阅读 · 2021年9月9日
Arxiv
5+阅读 · 2019年5月16日
Arxiv
6+阅读 · 2018年7月16日
相关资讯
相关论文
Arxiv
0+阅读 · 2021年9月9日
Arxiv
5+阅读 · 2019年5月16日
Arxiv
6+阅读 · 2018年7月16日
微信扫码咨询专知VIP会员