变分公平自编码器

Nov, 2015

The Variational Fair Autoencoder

Christos Louizos, Kevin Swersky, Yujia Li, Max Welling, Richard Zemel

TL;DR研究如何学习能保留数据中大部分信息且对于某些噪声或敏感变化因素具有不变性的表示形式，提出了一种基于变分自编码器的模型，包括鼓励灵敏因素和潜在因素独立的优先知识和基于 “最大均值差异”（MMD）的附加惩罚项，实验证明该方法比以前的工作更有效。

Abstract

We investigate the problem of learning representations that are invariant to certain nuisance or sensitive factors of variation in the data while retaining as much of the remaining information as possible. Our model is based on a variational autoencoding architecture with priors that e

invariant representations variational autoencoding maximum mean discrepancy data processing experiments

发现论文，激发创造

分层 VampPrior 变分公平自编码器

本文考虑使用深层生成建模和层次化变分自动编码器，学习公正的表示并利用互信息作为有用的正则化因子来强制表示的公正性，实验证明该方法优于或与当前最佳模型持平。

Jun, 2018

变分有损自编码器

本文提出了一种基于变分自编码器和神经自回归模型的简单但原则性的方法来学习全局表示，该方法允许对全局潜在特征进行控制，通过设计相应的架构，可以迫使全局潜在特征丢弃 2D 图像纹理等无关信息，并且通过利用自回归模型作为潜在分布和解码分布，可以大大提高 VAE 的生成建模性能，实现了 MNIST、OMNIGLOT 和 Caltech-101 Silhouettes 密度估计任务的新的最先进结果。

Nov, 2016

基于预测性变分自编码器的时间序列数据鲁棒表示学习

利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

Dec, 2023

变分自编码器简介

该论文介绍了变分自编码器及其重要扩展，它们提供了学习深度潜变量模型及对应推理模型的原则框架。

Jun, 2019

多层变分自编码器：从分组观察中学习解耦表示

提出了 Multi-Level Variational Autoencoder 用于学习语义上相关并解耦的潜变量表示，将工作集中在组别和个体水平上的同时保持高效的测试时推理，以便对相关变量进行无监督控制。

May, 2017

MAE：变分自编码器的相互后验分歧正则化

本文介绍了一种新的正则化方法 mutual posterior-divergence regularization，用于控制潜空间的几何结构，从而实现有意义的表征学习，并在三个图像基准数据集上取得了良好的表现。

Jan, 2019

变分自编码器的一致性正则化

本文提出了一种正则化方法来强制 Variational Auto-Encoder 的一致性，通过最小化 Kullback-Leibler（KL）散度来实现；实验结果表明该方法可以改善学习表征的质量并提高其泛化能力。

May, 2021

变分自编码器无意中寻找主成分分析方向

该论文研究了变分自编码器（VAE）在学习可解释的表示和生成建模方面的出色表现，提供了对其良好性能的解释，阐明了该架构中解码器的局部正交性，从而促进重构和正交性之间的平衡。

Dec, 2018

基于变分自编码模型的深入理解

本文提出了一种新的变分自编码模型优化标准，推广了标准的证据下界，提供了它们恢复数据分布和学习潜在特征的条件，并在形式上证明了通常出现模糊样本和无信息潜在特征等常见问题的条件。基于这些新的见解，我们提出了一种新的序列化 VAE 模型，可以基于像素逐一重构损失在 LSUN 图像数据集上生成清晰的样本，并提出一种旨在鼓励无监督学习信息潜在特征的优化标准。

Feb, 2017

通过稳健的变分自编码实现新颖性检测

本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的 Variational Autoencoder (VAE) 模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。

Jun, 2020