基于矢量量化编码的协同过滤推荐方法

随着互联网的高速发展,海量数据涌现,使得推荐系统成为计算机科学领域的研究热点。变分自编码器已经被成功应用于协同过滤方法的设计中,并取得了出色的推荐效果。然而,以往基于变分自编码器的推荐模型存在一些问题,如对隐变量先验分布的约束以及“后验失效”等,这些问题降低了推荐模型的性能。为了解决这一问题,使变分自编码器模型更加适用于推荐任务,提出了一种基于矢量量化编码的协同过滤推荐方法。该方法采用离散的矢量编码代替变分自编码器从隐变量分布中直接取样获得编码,从观测数据中学习到一个离散的潜在表示,提高了编码的表示能力。在多个公开数据集上的性能评测结果显示,与现有方法相比,所提方法能够有效提升推荐性能。

矢量量化正则变分自编码器做非平行语料语音转换

基于矢量量化变分自编码器(Vector Quantized Variational Autoencoder,VQVAE)的语音转换系统是国内外语音转换领域研究的一大热点,但是其较差的转换音质限制了模型的应用。本文在VQVAE的基础上提出一种改进的矢量量化正则变分自编码器(Vector Quantization Regularized Variational Autoencoder,VQ-REG-VAE)。在训练时,矢量量化退化为正则化项,通过矢量量化的正则约束让编码器学习生成说话人无关的语义特征,同时让解码器学习将说话人特征融合到语义特征中。在转换时,可以去掉矢量量化这一正则化项,通过编码器和解码器就能实现语音转换。由于转换时没有进行矢量量化,语义特征信息得以更好保留。客观和主观实验都表明:基于VQ-REG-VAE模型的转换语音在不降低相似度的前提下,音质比VQVAE模型有显著的提升。

基于扩散变分自编码器的工业缺陷检测算法

基于重建的检测算法在工业产品自动化缺陷检测中得到了广泛的应用。但是,很多算法重建的图像依然保留了较多的缺陷特征,从而导致检测精度不高。受扩散模型能够建立起噪声和生成图片之间的联系启发,提出了一种基于扩散变分自编码器的工业产品缺陷检测算法。该算法将工业产品中的缺陷视为一种噪声,通过扩散模型的反向去噪过程重建正常图片。在训练阶段,首先利用预训练的基于矢量量化的变分自编码器(Vector Quantized Variational Autoencoder,VQ-VAE)提取工业产品图片的正常特征并添加噪声;然后,利用扩散模型在去噪的过程中消除缺陷特征并保留正常特征,以得到重建的正常图片;最后通过比较重建图片与对应的原始图片之间的差异来判断产品是否存在缺陷并定位缺陷区域。在测试阶段,将输入图片理解为已经添加噪声的图片进行缺陷检测。实验结果表明,该算法的检测精度较其他算法有明显提高。