NIPSNov, 2017

对抗对称变分自编码器

PDF
TL;DR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。
variational autoencoderjoint distributionkullback-leibler divergenceadversarial trainingdata reconstruction
发现论文，激发创造
  • 对称式变分自编码器及其与对抗学习的联系

    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。

    Sep, 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

  • 变分自编码器和潜在能量模型的联合训练

    本文提出一种联合训练方法，从而学习变分自动编码器（VAE）和潜在基于能量模型（EBM）。该联合训练方法基于一个客观函数，其中包括三个关于潜空间和图像的共同分布的 Kulback-Leibler 分歧，从而无缝集成多样化和对抗性学习。实验表明，这种联合训练极大地提高了 VAE 的综合质量，也使得学习能够检测异常的能量函数成为可能。

    Jun, 2020

  • 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

  • 变分自编码器的三种变体

    通过引入第二个参数化的编解码对和一个额外的固定编码器，我们发展了三种 VAE 的变种，并使用神经网络学习编码器 / 解码器的参数来比较这些变种与原始 VAE 的 ELBO 逼近。其中一种变化导致了一个 EUBO，可以与原始 ELBO 一起用于研究 VAE 的收敛性。

    Dec, 2022

  • 在变分自动编码器中匹配聚合后验概率

    通过改进目标函数，提出了新的自动编码器模型 AVAE，利用 KDE 来建模高维度下的边缘后验分布，通过多个基准数据集的实证评估验证了 AVAE 相对于 SOTA 方法的有效性。

    Nov, 2023

  • 带隐式最优先验的变分自编码器

    该论文介绍的方法通过密度比技巧来达到 KL 散度的隐式计算，在不模拟聚合后验的情况下，可以使用最优先验，从而在各种数据集上实现高密度估计性能。

    Sep, 2018

  • 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

  • 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