Harnessing variational auto-encoder for binary classification in extremely low data regime

Nedbal, Radim

doi:10.1007/s13748-026-00442-y

Harnessing variational auto-encoder for binary classification in extremely low data regime

2026-05-01

0

PRE

AI

DOI：10.1007/s13748-026-00442-y

原文链接

原文求助

摘要

En 中文

本文对监督分类器在极小数据集二分类问题上的应用进行了大规模实证研究。我们基于以下四种分类器进行基准测试：(i) 神经切线核（NTK），(ii) 由NTK定义核的支持向量机（SVM），(iii) 神经网络高斯过程（NNGP），以及(iv) 变分自编码器（VAE），因为它们在小数据场景中已展现出有前景的结果。具体而言，我们检验了将分类定义为通过变分原理计算的降噪变分自编码器（DVAE）的后验概率密度函数，是否能在我们的场景中达到最佳性能。我们证明这是可行的，且DVAE在低维数据上优于所有对比分类器。我们还观察到，DVAE分类器在高灵敏度（召回率）要求下具有更优的精确度，且NNGP和NTK在训练数据量减少时表现出相对更强的性能。

Keyword:

Supervised learning

Low data regime

Binary classification

Variational principle

Harnessing variational auto-encoder for binary classification in extremely low data regime

摘要

期刊

机构

引用论文