- Как сконструировать энергию для изображений? Автоэнкодер шумоподавления может быть моделью на основе энергии (arXiv)
Автор : Вейли Цзэн
Аннотация: Модели на основе энергии параметризуют ненормализованную логарифмическую вероятность выборок данных, но отсутствуют указания о том, как построить «энергию». В этой статье мы предлагаем Denoising-EBM, который разлагает энергию изображения на «семантическую энергию» и «энергию текстуры». Мы определяем «семантическую энергию» в скрытом пространстве ДАЭ для моделирования высокоуровневых представлений и определяем ошибку реконструкции на уровне пикселей для шумоподавления как «энергию текстуры». Вдохновленная моделью на основе оценок, наша модель использует многомасштабные зашумленные выборки для обучения максимальному правдоподобию и выводит вектор вместо скаляра для изучения большего набора функций во время оптимизации. После обучения семантика сначала синтезируется быстрым MCMC с помощью «семантической энергии», а затем будет выполняться уточнение семантического изображения на уровне пикселей для создания идеальных образцов на основе «энергии текстуры». В конечном счете, наша модель может превзойти большинство EBM в создании изображений. И мы также демонстрируем, что Denoising-EBM имеет самую высокую производительность среди EBM для обнаружения вне распределения.
2. Обнаружение мошеннических источников с использованием гибридной сети шумоподавляющего автоэнкодера и глубокого обучения метрик (arXiv)
Автор: Зэян Ян, Сюэ Фу, Гуань Гуй, Юнь Линь, Харис Гаканин, Хикмет Сари, Фумиюки Адачи.
Аннотация: Обнаружение мошеннических источников (RED) является важным методом для обеспечения безопасности приложений Интернета вещей. Существующие методы RED, основанные на глубоком обучении, были предложены в дружественной среде. Однако эти методы работают нестабильно в сценариях с низким отношением сигнал-шум (SNR). Для решения этой проблемы мы предлагаем надежный метод RED, который представляет собой гибридную сеть шумоподавляющего автоэнкодера и глубокого метрического обучения (DML). В частности, автоэнкодер с шумоподавлением используется для уменьшения шумовых помех, а затем для повышения его надежности при низком SNR, в то время как DML играет важную роль в улучшении распознавания признаков. Проведено несколько типичных экспериментов для оценки предлагаемого метода RED на наборе данных автоматического зависимого наблюдения и вещания и наборе данных IEEE 802.11, а также для сравнения его с существующими методами RED. Результаты моделирования показывают, что предлагаемый метод обеспечивает лучшую производительность RED и более высокую устойчивость к шуму с более дискриминационными семантическими векторами, чем существующие методы.
