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

成为VIP会员查看完整内容
25

相关内容

专知会员服务
19+阅读 · 2021年9月12日
专知会员服务
12+阅读 · 2021年9月8日
专知会员服务
31+阅读 · 2021年8月7日
专知会员服务
16+阅读 · 2021年8月6日
专知会员服务
36+阅读 · 2021年7月17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
34+阅读 · 2021年6月3日
专知会员服务
79+阅读 · 2021年5月10日
专知会员服务
106+阅读 · 2020年12月21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
用 SimCLR 提高自监督与半监督学习效果
谷歌开发者
5+阅读 · 2020年5月12日
赛尔笔记 | 条件变分自编码器(CVAE)
AINLP
28+阅读 · 2019年11月8日
学界 | 稳定、表征丰富的球面变分自编码器
机器之心
5+阅读 · 2018年10月12日
变分自编码器VAE:一步到位的聚类方案
PaperWeekly
25+阅读 · 2018年9月18日
为什么『无监督集成学习』乏人问津?
AI研习社
10+阅读 · 2017年10月24日
在TensorFlow中对比两大生成模型:VAE与GAN
机器之心
12+阅读 · 2017年10月23日
多图对比看懂GAN与VAE的各种变体
炼数成金订阅号
47+阅读 · 2017年9月6日
Arxiv
0+阅读 · 2021年9月9日
Arxiv
0+阅读 · 2021年9月8日
Arxiv
4+阅读 · 2018年4月9日
VIP会员
相关VIP内容
专知会员服务
19+阅读 · 2021年9月12日
专知会员服务
12+阅读 · 2021年9月8日
专知会员服务
31+阅读 · 2021年8月7日
专知会员服务
16+阅读 · 2021年8月6日
专知会员服务
36+阅读 · 2021年7月17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
34+阅读 · 2021年6月3日
专知会员服务
79+阅读 · 2021年5月10日
专知会员服务
106+阅读 · 2020年12月21日
相关资讯
【AAAI2021】自监督对应学习的对比转换
专知
12+阅读 · 2020年12月11日
用 SimCLR 提高自监督与半监督学习效果
谷歌开发者
5+阅读 · 2020年5月12日
赛尔笔记 | 条件变分自编码器(CVAE)
AINLP
28+阅读 · 2019年11月8日
学界 | 稳定、表征丰富的球面变分自编码器
机器之心
5+阅读 · 2018年10月12日
变分自编码器VAE:一步到位的聚类方案
PaperWeekly
25+阅读 · 2018年9月18日
为什么『无监督集成学习』乏人问津?
AI研习社
10+阅读 · 2017年10月24日
在TensorFlow中对比两大生成模型:VAE与GAN
机器之心
12+阅读 · 2017年10月23日
多图对比看懂GAN与VAE的各种变体
炼数成金订阅号
47+阅读 · 2017年9月6日
微信扫码咨询专知VIP会员