PRVNet: A Novel Partially-Regularized Variational Autoencoders for Massive MIMO CSI Feedback
Assiut University（艾斯尤特大学）
在多输入多输出频分双工（MIMO-FDD）系统中，用户设备（UE）向基站发送下行链路信道状态信息（CSI）以报告链路状态。由于MIMO系统的复杂性，在发送该信息时产生的开销对系统带宽产生负面影响。虽然这个问题已被广泛认为是在文献中，以前的工作一般假设一个理想的反馈通道。在本文中，我们介绍PRVNet，神经网络架构的启发变分自编码器（VAE）的CSI矩阵压缩发送回基站在嘈杂的信道条件下。此外，我们提出了一个定制的损失函数，最适合的特殊特性的问题正在解决。我们还为学习目标引入了一个额外的正则化超参数，这对于实现有竞争力的性能至关重要。此外，我们提供了一种有效的方法来调整这个超参数使用KL退火。实验结果表明，该模型优于基准模型，包括两个基于深度学习的模型在无噪声反馈信道的假设。此外，该模型在不同的噪声水平下的加性高斯白噪声反馈信道实现了出色的性能。
2022-07-18 cs.LG cs.NI
3D Convolutional Selective Autoencoder For Instability Detection in Combustion Systems
Iowa State University（爱荷华州立大学）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Intel Corporation（英特尔公司）；Raytheon Technologies（雷神技术公司）
虽然物理系统中的临界（相变）的解析解对于简单的非线性系统来说是丰富的，但对于现实生活中的动力系统来说，这样的分析仍然是棘手的。这种物理系统的一个关键例子是燃烧中的热声不稳定性，其中预测或早期检测不稳定性的发生是一项艰巨的技术挑战，需要解决这一问题，以建立更安全，更节能的燃气涡轮发动机，为航空航天和能源工业提供动力。发动机燃烧室中出现的不稳定性在数学上太复杂，难以建模。为了以数据驱动的方式解决这个问题，我们提出了一种称为3D卷积选择性自动编码器（3D-CSAE）的新型深度学习架构，以使用时空数据检测自激振荡的演变，即，从旋流稳定燃烧室（燃气涡轮发动机燃烧室的实验室替代品）拍摄的高速视频。3D-CSAE由过滤器组成，以分层方式学习与燃烧不稳定性相关的复杂视觉和动态特征。我们在从一组有限的操作条件获得的视频帧上训练3D-CSAE。我们选择的3D-CSAE超参数是有效的分层和多尺度不稳定性结构的演变，利用视频中的动态信息。所提出的模型清楚地表明，在检测不稳定的前兆性能的改善。机器学习驱动的结果与基于物理的离线措施进行了验证。先进的主动控制机制可以直接利用所提出的3D-CSAE的在线检测能力，以减轻燃烧不稳定性对在各种严格要求和条件下运行的发动机的不利影响。
2021-01-06 cs.LG cs.SY eess.SY
Blind Image Denoising and Inpainting Using Robust Hadamard Autoencoders
Worcester Polytechnic Institute（伍斯特理工学院）；Colorado State University（科罗拉多州立大学）
在本文中，我们演示了深度自动编码器如何推广到修复和去噪的情况，即使没有干净的训练数据可用。特别是，我们展示了如何训练神经网络同时执行所有这些任务。虽然通过神经网络实现的深度自动编码器已经证明了去噪和异常检测的潜力，但标准自动编码器的缺点是需要访问干净的数据进行训练。然而，最近在Robust Deep Autoencoders（RDAE）中的工作展示了如何训练自动编码器来消除数据集中的离群值和噪声，而无需访问任何干净的训练数据。受这项工作的启发，我们将RDAE扩展到数据不仅有噪声和离群值，而且只有部分观察到的情况。此外，我们训练神经网络的数据集具有所有条目都有噪声的属性，一些条目被大错误损坏，许多条目甚至不知道。给定这样的算法，许多标准任务，如去噪，图像修复和未观察到的条目插补，都可以在同一个框架内同时完成。在本文中，我们将在标准机器学习任务上演示这些技术，例如MNIST和CIFAR10数据集的图像修复和去噪。然而，这些方法不仅适用于图像处理问题，而且对由真实世界问题产生的数据集具有广泛的影响，例如制造和网络处理，其中自然会出现有噪声的部分观察数据。
2021-01-26 cs.CV cs.LG eess.IV
Regularizing Autoencoder-Based Matrix Completion Models via Manifold Learning
Vrije Universiteit Brussel（布鲁塞尔自由大学）；imec；Duke University（杜克大学）
自编码器在基于神经网络的矩阵补全模型中很受欢迎，因为它们能够从部分观测矩阵中检索潜在的潜在因子。然而，当训练数据是稀缺的，他们的性能显着下降，由于过拟合。在本文中，我们使用依赖于多任务学习原理的数据依赖正则化技术来解决过拟合问题。具体来说，我们提出了一个基于自动编码器的矩阵完成模型，该模型将未知矩阵值的预测作为主要任务，并将流形学习作为辅助任务。后者作为一个归纳偏差，导致解决方案，更好地推广。所提出的模型优于现有的基于自动编码器的模型设计的矩阵完成，在知名的数据集实现高重建精度。
2018-07-04 cs.AI cs.LG stat.ML
Controlling the Interaction Between Generation and Inference in Semi-Supervised Variational Autoencoders Using Importance Weighting
LIPN（巴黎第十三大学计算机科学实验室）；Université Sorbonne Paris Nord（索邦巴黎北大学）；INRIA Paris（法国国家信息与自动化研究所巴黎分部）
尽管变分自编码器（VAE）广泛用于半监督学习，但它们工作的原因仍不清楚。事实上，添加无监督目标通常被模糊地描述为正则化。这种正则化的强度通过在训练集的未标记部分上对目标进行向下加权来控制。通过对半监督VAE目标的分析，我们观察到它们使用学习的生成模型的后验来指导推理模型学习部分观察的潜变量。我们表明，鉴于这一观察结果，有可能获得更精细的控制的效果，无监督的目标上的训练过程。使用重要性加权，我们得到两个新的目标，优先考虑部分观察到的潜在变量，或未观察到的潜在变量之一。在IMDB英语情感分析数据集和AG News主题分类数据集上的实验显示了我们的优先级排序机制带来的改进，并表现出与我们对半监督VAE内部工作的描述相一致的行为。
2020-10-14 cs.CL cs.LG
Learning Conditional Variational Autoencoders with Missing Covariates
Aalto University（阿尔托大学）；University of Helsinki（赫尔辛基大学）；Bayer Pharmaceuticals（拜耳制药）
条件变分自编码器（CVAE）是通用的深度生成模型，通过用辅助协变量调节生成模型来扩展标准VAE框架。原始CVAE模型假设数据样本是独立的，而最近的条件VAE模型，如高斯过程（GP）先验VAE，可以解释所有数据样本的复杂相关结构。虽然已经提出了几种方法来从部分观察的数据集学习标准VAE，但这些方法不适合条件VAE。在这项工作中，我们提出了一种方法来学习条件VAE的数据集，其中辅助协变量可以包含缺失值以及。所提出的方法增加了条件VAE与先验分布的缺失协变量和估计其后使用摊销变分推断。在训练时，我们的方法将与缺失协变量相关的不确定性边缘化，同时最大化证据下限。我们开发了计算效率高的方法来学习CVAE和GP之前的VAE，是兼容的迷你。我们在模拟数据集以及临床试验研究上的实验表明，该方法在从非时间，时间和纵向数据集学习条件VAE方面优于以前的方法。
2022-03-02 cs.LG stat.ML
Statistical Inference for Autoencoder-based Anomaly Detection after Representation Learning-based Domain Adaptation
University of Information Technology（信息技术大学）；Vietnam National University（越南国家大学）；RIKEN AIP（理化学研究所AIP）
本文提出STAND-DA框架，通过选择性推断为域适应后的自编码器异常检测提供有效p值并控制假阳性率，结合GPU加速使统计推断适用于大规模深度架构。
2025-08-09 cs.LG stat.ML
Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation
KU Leuven（鲁汶大学）；ETH Zürich（苏黎世联邦理工学院）
变点检测（CPD）的目的是定位时间序列数据中的突然属性变化。最近的CPD方法展示了使用深度学习技术的潜力，但通常缺乏识别信号自相关统计中更细微变化的能力，并且具有较高的误报率。为了解决这些问题，我们采用了一种基于自动编码器的方法与一种新的损失函数，通过使用的自动编码器学习的部分时不变的表示，是专为CPD。其结果是一个灵活的方法，允许用户指示是否应寻求在时域，频域或两者的变化点。可检测的变化点包括斜率、均值、方差、自相关函数和频谱的突变。我们证明，我们提出的方法是一贯的高度竞争力或优于基线方法在不同的模拟和现实生活中的基准数据集。最后，我们通过使用一个后处理过程，结合匹配滤波器和新提出的变化点得分，减轻了错误检测警报的问题。我们表明，这种组合大大提高了我们的方法以及所有基线方法的性能。
2021-02-10 cs.LG eess.SP stat.ML
Linearly-Recurrent Autoencoder Networks for Learning Dynamics
Mechanical and Aerospace Engineering, Princeton University（普林斯顿大学机械与航空航天工程系（注：此处按要求提取到大学级别，故保留系名与大学名））；Princeton University（普林斯顿大学）
本文描述了一种学习非线性动力系统的低维近似的方法，基于神经网络近似的基本Koopman算子。扩展动态模式分解（EDMD）为分析动力系统提供了一种有用的数据驱动的Koopman算子近似。本文讨论了一个基本问题与EDMD：之间的权衡表示能力的字典和过度拟合由于数据不足。一种新的神经网络结构结合了自编码器与线性递归动态的编码状态，用于学习低维和高信息量的Koopman-不变子空间的可观测量。本文还提出了一种在特征空间中对过指定EDMD系统进行平衡模型降阶的方法。使用部分线性多核回归的非线性重建旨在当数据具有复杂但内在低维结构时从低维状态提高重建精度。该技术证明了识别非强迫Duffing方程的Koopman本征函数的能力，创建准确的低维模型的不稳定的圆柱体尾流，并作出短期预测的混沌Kuramoto-Sivashinsky方程。
2019-01-15 cs.LG math.DS stat.ML
Be More Active! Understanding the Differences between Mean and Sampled Representations of Variational Autoencoders
University of Kent（肯特大学）
本文通过选择性后验坍缩视角，发现变分自编码器的均值表示与采样表示差异源于被动变量，但均值表示仍适用于下游任务，移除被动变量可能有益。
2023-12-25 cs.LG stat.ML
THeGAU: Type-Aware Heterogeneous Graph Autoencoder and Augmentation
Data Science Degree Program National Taiwan University；Graduate Institute of Communication Engineering National Taiwan University Taipei Taiwan；University of Illinois Urbana-Champaign Electrical \& Computer Engineering Illinois United States；Research Center for Information Technology Innovation Academia Sinica Taipei Taiwan；Department of Electrical Engineering National Taiwan University Taipei Taiwan；National Taiwan University；University of Illinois Urbana-Champaign
THeGAU通过类型感知图自编码器和引导图增强，提升异构图中节点分类的鲁棒性、准确性和效率，实验表明其在多个基准数据集上均优于现有方法。
2025-12-11 cs.LG
FusionVAE: A Deep Hierarchical Variational Autoencoder for RGB Image Fusion
Bosch Center for Artificial Intelligence（博世人工智能中心）；University of Tübingen（图宾根大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
传感器融合可以显著提高许多计算机视觉任务的性能。然而，传统的融合方法要么不是数据驱动的，不能利用先验知识，也不能在给定的数据集中找到匹配，要么它们被限制在单个应用中。我们克服了这个缺点，提出了一种新的深层变分自编码器称为FusionVAE，可以作为许多融合任务的基础。我们的方法是能够生成不同的图像样本，条件是多个嘈杂的，闭塞的，或只有部分可见的输入图像。我们推导并优化了FusionVAE的条件对数似然的变分下界。为了全面评估我们模型的融合能力，我们基于流行的计算机视觉数据集创建了三个新的图像融合数据集。在我们的实验中，我们表明FusionVAE学习与融合任务相关的聚合信息的表示。结果表明，我们的方法优于传统的方法显着。此外，我们提出了不同的设计选择的优点和缺点。
2022-09-22 cs.AI cs.CV cs.LG
Helicopter Track Identification with Autoencoder
The MITRE Corporation（MITRE公司）
计算能力、大数据和算法的进步使人们对人工智能（AI）重新产生了兴趣，特别是在深度学习（DL）方面。深度学习的成功在很大程度上取决于数据的表示，因为不同的表示可以在一定程度上表明数据背后的变异的不同解释因素。在过去的几年里，深度学习中最成功的故事是监督学习。然而，要应用监督学习，一个挑战是数据标签获取成本高、噪声大或仅部分可用。考虑到我们人类以无监督的方式学习，自监督学习方法最近引起了很多关注。自监督学习中的主导力量是自动编码器，其具有多种用途（例如，数据表示、异常检测、去噪）。本研究探讨应用自动编码器来学习直升机航迹数据的有效数据表示，进而支持直升机航迹辨识。我们的测试结果很有希望。例如，在凤凰城鹿谷（DVT）机场，70%的记录飞行轨迹有丢失的飞机类型，自动编码器可以帮助识别比使用基于规则的方法检测到的直升机多22倍的直升机;对于大峡谷西机场（1G 4）机场，自动编码器可以识别比当前基于规则的方法多13倍的直升机。我们的方法还可以识别错误标记的飞机类型的飞行轨迹数据，并找到真正的类型与伪飞机类型标签的记录，如HELO。随着标签的改进，使用这些数据集的研究可以产生更可靠的结果。
2021-03-03 cs.AI cs.LG
Out of Distribution Reasoning by Weakly-Supervised Disentangled Logic Variational Autoencoder
Nanyang Technological University（南洋理工大学）
分发外（OOD）检测，即，为了确保由机器学习模型生成的结果的安全性，找到从与训练集不同的分布导出的测试样本以及关于这些样本的推理（OOD推理）是必要的。最近，在变分自编码器（VAE）的潜在空间中进行OOD检测已经有了有希望的结果。然而，如果没有解纠缠，VAE就不能执行OOD推理。解纠缠确保了OOD的生成因素之间的一对多映射（例如，图像数据中的雨）以及它们被编码到的潜变量。虽然以前的文献集中在弱监督解纠缠的简单数据集与已知的和独立的生成因子。在实践中，通过弱监督实现完全解纠缠对于具有未知和抽象生成因子的复杂数据集（如Carla）是不可能的。因此，我们提出了一个面向对象的推理框架，学习一个部分解开VAE复杂的数据集的原因。我们的框架包括三个步骤：根据观察到的生成因素划分数据，训练VAE作为满足解纠缠规则的逻辑张量网络，以及运行时OOD推理。我们在Carla数据集上评估了我们的方法，并将结果与三种最先进的方法进行了比较。我们发现，我们的框架优于这些方法的解纠缠和端到端的OOD推理。
2022-10-18 cs.LG
Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
近年来，人们对理解和预测社交媒体平台（如Twitter、Facebook等）上的信息传播产生了极大的兴趣。现有的扩散预测方法主要是通过将扩散级联投射到当地的社交社区上来利用受影响用户的顺序。然而，这未能捕获在任何级联中没有显式表现的全局社会结构，导致具有有限历史活动的非活跃用户的性能较差。在本文中，我们提出了一种新的变分自编码器框架（Inf-VAE），通过保持邻近度的社会和位置编码的时间潜变量来联合嵌入同质性和影响。为了对社会同质性进行建模，Inf-VAE利用强大的图神经网络架构来学习有选择地利用用户的社会联系的社会变量。给定一系列种子用户激活，Inf-VAE使用一种新的表达性共同关注融合网络，该网络共同关注他们的社交和时间变量，以预测所有受影响用户的集合。我们在多个真实世界社交网络数据集上的实验结果，包括Digg，微博和Stack-Exchange，证明了Inf-VAE在最先进的扩散预测模型上的显着收益（22%MAP@10）;我们为具有稀疏活动的用户以及在种子集中缺乏直接社交邻居的用户实现了巨大的收益。
2020-01-01 cs.LG cs.SI
Masked Autoencoders are Efficient Continual Federated Learners
Hessian Center for AI (hessian.AI)（黑森人工智能中心）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science, TU Darmstadt（达姆施塔特工业大学认知科学中心）；Department of Computer Science, TU Darmstadt（达姆施塔特工业大学计算机科学系）
本文提出将掩码自编码器用于联邦持续学习，通过无监督共享表示和任务注意力机制实现客户端间选择性知识转移，并在图像和二进制数据集上验证其高效性。
2024-07-18 cs.LG
Inference and learning in sparse autoencoders as natural gradient flow
Astera Institute（Astera研究所）；UC Berkeley（加州大学伯克利分校）；UCL（伦敦大学学院）；Goodfire AI（Goodfire AI公司）；CSHL（冷泉港实验室）
本文提出BeFOND，一种无编码器的稀疏编码模型，将推理与字典学习统一为自然梯度流，通过循环解释消除和Fisher预条件减少特征干扰并加速稀有特征学习，在合成数据和语言模型激活上显著提升字典恢复、稀有特征检测及概念干预效果。
2026-10-07 cs.AI cs.LG
q-Space Novelty Detection with Variational Autoencoders
Sapienza University of Rome（罗马第一大学）；Cardiff University（卡迪夫大学）；Technical University of Munich（慕尼黑工业大学）
在机器学习中，新颖性检测是识别新的未知数据的任务。在训练过程中，只有正常类的样本可用。通过分配新颖性分数将测试样品分类为正常或异常。在这里，我们提出了基于正常数据训练变分自编码器（VAE）的新颖性检测方法。由于在训练过程中不使用异常样本，我们定义的基础上（部分互补）的假设，即VAE是不太能够重建异常样本以及异常样本更强烈地违反VAE正则化;和异常样本不同于正常样本不仅在输入特征空间，而且在VAE潜在空间和VAE输出的新颖性度量。这些方法，结合使用（例如采样）的概率VAE，以获得标量新颖性分数的各种可能性，产生一个大家庭的方法。我们将这些方法应用于磁共振成像，即检测多发性硬化症患者的扩散MRI扫描中的扩散空间（q空间）异常，即检测多发性硬化症病变而不使用任何病变标签进行训练。我们的许多方法优于以前提出的q空间新奇检测方法。我们还评估了MNIST手写数字数据集上提出的方法，并表明它们中的许多都能够超越最先进的。
2018-10-25 cs.AI cs.CV cs.LG
Unsupervised Imputation of Non-ignorably Missing Data Using Importance-Weighted Autoencoders
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
近年来，深度学习（DL）方法的流行程度急剧增加。虽然它最初的成功是在图像数据的分类和操作中得到证明，但在生物医学科学中，DL方法的应用已经有了显着的增长。然而，在生物医学数据集中缺失数据的更大的普遍性和复杂性，DL方法提出了重大挑战。在这里，我们提供了一个正式的处理丢失的数据的上下文中的变分自编码器（VAE），一个流行的无监督DL架构，通常用于降维，插补和学习复杂数据的潜在表示。我们提出了一个新的VAE架构，NIMIWAE，这是第一个灵活的帐户在训练时输入功能的缺失的可识别和不可识别的模式。训练后，可以从缺失数据的近似后验分布中提取样本，用于多重插补，便于对高维不完整数据集进行下游分析。我们通过统计模拟证明，我们的方法优于现有的方法的无监督学习任务和插补精度。最后，我们总结了一个案例研究的EHR数据集有关12,000 ICU患者包含大量的诊断测量和临床结果，其中许多功能只是部分观察。
2022-06-17 cs.LG stat.AP
Ranking-Enhanced Anomaly Detection Using Active Learning-Assisted Attention Adversarial Dual AutoEncoders
New York University（纽约大学）；NYUAD, Division of Science（纽约大学亚当分校，科学学院）；The University of Edinburgh（爱丁堡大学）；School of Informatics（信息学院）
本文提出一种结合主动学习和注意力对抗双自编码器的异常检测方法，通过减少标注成本提升检测精度，适用于APT检测的不平衡数据集。
2025-11-25 cs.AI cs.CR cs.LG
Quantum Sparse Autoencoders for Q-Matrix Estimation in Cognitive Diagnosis
School of Computer and Cyber Sciences, Augusta University（奥古斯塔大学计算机与网络科学学院）；School of Computing, University of Georgia（佐治亚大学计算学院）；Department of Graduate Psychology, James Madison University（詹姆斯麦迪逊大学研究生心理学系）；Department of Computer Science and Engineering, University of Tennessee at Chattanooga（田纳西大学查塔努加分校计算机科学与工程系）；Department of Radiology, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院放射科）
本研究首次将量子机器学习应用于认知诊断的Q矩阵估计，提出量子稀疏自编码器，经60个模拟及9个真实测评数据集测试，其相比经典自编码器更稳定、在多数真实数据集上表现更优。
2026-09-02 cs.LG
Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders
Duke University（杜克大学）
失明的主要原因之一是青光眼，这是具有挑战性的检测，因为它保持无症状，直到症状严重。因此，诊断通常是可能的，直到标记物易于识别，即，损害已经发生了。青光眼的早期识别通常基于功能、结构和临床评估。然而，由于疾病的性质，研究人员仍然争论哪些标志物有资格作为一致的青光眼指标。深度学习方法通过绕过标记识别阶段并直接分析高级信息来对数据进行分类，部分解决了这一困境。虽然这些方法是有利的，但它们使专家分析变得困难，因为它们无法深入了解模型判别过程。在本文中，我们使用深度生成网络克服了这一点，这是一种学习复杂的高维概率分布的深度学习模型。我们训练了一个深度特征一致的变分自编码器（DFC-VAE）来重建视盘图像。我们发现，一个小尺寸的潜在空间从DFC-VAE可以学习高维青光眼数据分布，并提供正常和青光眼之间的歧视性证据。当使用支持向量分类器进行训练时，我们模型中大小低至128的潜在表示在接收器操作特征曲线下获得了0.885的面积。
2021-10-04 cs.CV cs.LG eess.IV
Tighter Variational Bounds are Not Necessarily Better. A Research Report on Implementation, Ablation Study, and Extensions
本报告解释、实施和扩展了“更紧的变分边界不一定更好”（T Rainforth等人，2018年）。我们提供了理论和经验证据，增加重要性加权自动编码器（IWAE）中重要性样本$K$的数量（Burda等人，2016）降低了推理网络中梯度估计器的信噪比（SNR），从而影响了整个学习过程。换句话说，即使增加$K$会降低梯度的标准差，它也会更快地降低真实梯度的幅度，从而增加梯度更新的相对方差。进行了大量的实验，以了解$K$的重要性。这些实验表明，更严格的变分界限是有益的生成网络，而更宽松的界限是优选的推理网络。在此基础上，实现并研究了部分重要性加权自动编码器（PIWAE）、多重要性加权自动编码器（MIWAE）和组合重要性加权自动编码器（CIWAE）。这三种方法中的每一种都需要IWAE作为特殊情况，但以不同的方式使用重要性权重，以确保梯度估计器具有更高的SNR。在我们的研究和分析中，这些算法的有效性在MNIST和Omniglot等多个数据集上进行了测试。最后，我们证明了三个IWAE的变化是能够产生近似的后验分布，更接近真实的后验分布比IWAE，同时匹配的性能的IWAE生成网络或潜在的优于它的情况下，PIWAE。
2022-09-23 cs.LG math.ST stat.ML
Masked Autoencoders with Limited Data: Does It Work? A Fine-Grained Bioacoustics Case Study
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
本文研究了在有限数据下使用掩码自编码器进行生物声学分类的效果，发现预训练数据规模在中等规模细粒度任务中起主导作用，而领域特定数据的额外预训练可能降低性能。
2026-05-13 cs.CV cs.LG cs.SD
IRDS: Interpretable RLVR Data Selection via Verifier-Coupled Sparse Autoencoder Coverage
The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州））；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The 63rd Research Institute, National University of Defense Technology, Nanjing（国防科技大学第六三研究所，南京）
提出IRDS方法，基于稀疏自编码器簇和验证器耦合的覆盖目标，选择模型失败但可学习的RLVR训练实例，提升数学推理准确率并降低计算成本。
2026-05-27 cs.AI cs.LG
Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder
Oxford Digital Health Labs（牛津数字健康实验室）；Nuffield Department of Women’s and Reproductive Health（妇女与生殖健康努伊菲尔德部门）；University of Oxford（牛津大学）
本研究提出监督变分自编码器用于CTG信号分类，在OxMat数据集上实现0.779的AUROC，部分编码临床相关特征，为可解释的胎儿结局预测提供基础。
2025-09-08 cs.LG
TAEN: A Model-Constrained Tikhonov Autoencoder Network for Forward and Inverse Problems
Department of Aerospace Engineering and Engineering Mechanics, the University of Texas at Austin（德克萨斯大学航空航天工程与工程力学系）；The Oden Institute for Computational Engineering and Sciences, the University of Texas at Austin（德克萨斯大学奥登计算工程与科学研究院）
本文提出TAEN模型，通过单个观测样本学习正反问题的替代模型，结合数据随机化策略和理论基础，实现高效准确的求解。
2024-12-30 cs.LG physics.comp-ph
Unsupervised Selective Labeling for More Effective Semi-Supervised Learning
UC Berkeley（加州大学伯克利分校）；ICSI（国际计算机科学研究所）
针对无标记数据下的半监督学习样本标注选择难题，提出基于聚类原型的无监督选择性标注方法，大幅提升标签效率与模型准确率，为高效实用的半监督学习树立了新标准。
2023-08-23 cs.CV cs.LG
Feature Selective Model Collapse in Diffusion Models: Total Replacement versus Fixed-Budget Training
CEREMADE CNRS（CEREMADE 法国国家科学研究中心）；Université Paris Dauphine - PSL（巴黎第九大学 - PSL）；Cornell University（康奈尔大学）
该研究探讨扩散模型在固定预算训练下，用合成数据替换真实数据导致模型坍缩，但保留部分特征，而完全替换则快速退化，揭示了两种协议下特征保留的差异。
2026-10-02 cs.AI cs.LG math.ST
