Sep, 2017

对称式变分自编码器及其与对抗学习的联系

PDF
TL;DR提出了一种新形式的变分自动编码器 (VAE)，其基于对称的 Kullback-Leibler 散度，证明了学习其结果的对称 VAE (sVAE) 与先前开发的对抗性学习方法有密切的联系，对 VAE 和对抗性学习之前的不同技术进行统一，提供了见解，自此不需要先前一些对抗性方法的缺陷。除了激励和解释 sVAE 的分析外，还有一系列广泛的实验验证了该方法的效用。
发现论文，激发创造
  • 对抗对称变分自编码器

    该研究开发了一种新形式的变分自动编码器 (VAE)，它在两个（对称的）形式中考虑了数据和代码的联合分布。同时，它使用对称的 KL 散度最小化方法进行学习，并使用一种新的对抗性训练方法来加速学习。在多项实验中，该研究展示了在数个图像基准数据集上的最新数据重建和生成结果。

    Nov, 2017

  • 对称均衡学习的 VAE

    通过纳什均衡学习方法，我们提出了一种视觉自编码器的学习方法，可以在只能通过采样获得数据和潜在分布的情况下，克服标准学习方法的限制，并适用于更复杂的学习场景和下游任务。实验证明我们方法学习到的模型与通过最大化证据下界学习的模型相当，并展示了其在标准视觉自编码器学习无法解决的任务上的适用性。

    Jul, 2023

  • 对抗变分贝叶斯：统一变分自编码器和生成对抗网络

    介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

    Jan, 2017

  • 半监督学习的解缩变分自编码器

    本文提出了一种名为 SDVAE 的半监督变分自编码器，其将输入数据转化为可解释和不可解释的特征表示，使用分类信息来规范可解释的特征表示，并使用强化学习来增强特征学习能力，此框架适用于图像和文本数据。

    Sep, 2017

  • 对抗与对比变分自编码器用于序列推荐

    本文提出了一种名为 ACVAE 的新方法，利用变分自编码器（VAE）和对抗训练来生成高质量的潜在变量，同时使用对比损失来学习个性化特征，并在捕捉序列的全局和局部相关性之前引入了卷积结构，实现了基于序列的推荐，实验表明，ACVAE 模型胜过其他现有的方法。

    Mar, 2021

  • 深层生成模型的统一化

    本文介绍了针对生成模型学习中 GAN 和 VAEs 的新方法，并阐述了 GAN 和 VAEs 的相似性和差异性，探讨了它们的后验推理和 KL 散度的最小化问题，并将 VAEs 的 importance weighting 方法应用到 GAN 的学习中，同时采用对抗性机制加强 VAEs 模型，实验证明了这些方法的普适性和有效性。

    Jun, 2017

  • 变分自编码器教程

    介绍了变分自编码器（VAE）背后的直觉，解释了其背后的数学原理，并描述了它们的一些经验行为。

    Jun, 2016

  • 针对具有鲁棒性的半监督学习的对抗变分嵌入

    我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

    May, 2019

  • 通过 Stein 变分梯度下降学习 VAE

    基于斯坦变分梯度下降法开发了一种学习变分自编码器 (VAEs) 的新方法，无需对编码器分布的形式进行参数化假设。通过将所提出的编码器与重要性采样相结合，进一步提高了性能。在多个无监督和半监督问题上展示了出色的性能，包括对 ImageNet 数据的半监督分析，展示了该模型对大型数据集的可扩展性。

    Apr, 2017

  • 重新审视结构化变分自编码器

    通过现代机器学习工具来实现硬件加速、并行化和自动微分的消息传递算法，探讨并展示了 SVAE 模型的优势，从而表明现在是重新审视结构化变分自编码器的时候了。

    May, 2023