ICLRJun, 2018

具任意条件的变分自编码器

PDF
TL;DR本研究提出了一种基于变分自编码器的神经概率模型，可以在任意观测特征子集的条件下生成其余特征的 “一次性” 样本，并通过随机变分贝叶斯进行训练。实验结果表明该方法在合成数据、特征填补和图像修复问题上非常有效且生成样本多样。
neural probabilistic modelvariational autoencoderstochastic variational bayesfeature imputationimage inpainting
发现论文，激发创造
  • 无监督结构预测的条件随机场自编码器

    本文介绍了一个用于重叠的全局特征的无监督学习结构化预测的框架，提出了一个基于特征丰富的条件随机场对可观察数据进行条件预测的潜在表示方法，并使用具有封闭形式的最大似然估计的模型来（重新）生成输入的重建，使得无需进行不切实际的独立性假设或限制可用特征类型的情况下能够有效地进行学习，并示范了与传统自动编码器、后验正则化和多视图学习方面的有见地的联系。接着将模型实例化应用于两个经典的自然语言处理任务：词性归纳和比对文本词汇对应，并证明训练我们的模型可以比可比的特征丰富基线方法更加高效。

    Nov, 2014

  • 深度变分推断无需像素级重构

    本文提出了一种基于深度神经网络的变分自编码器，使用实值非体积保存变换来准确计算数据的条件似然，采用由少量中间层组成的强大条件耦合层来使其学习效果更好，在图像建模任务上有着不错的表现。

    Nov, 2016

  • 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

  • 变分公平自编码器

    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。

    Nov, 2015

  • 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

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 一种新颖的变分自编码器及其在生成建模、分类和序数回归中的应用

    文中提出了一种新的基于变分自编码器的概率生成模型，该模型使用新颖的方法确定潜在变量先验和强制序数单位，并用于有监督、无监督和半监督学习以及标称和序数分类，实验结果表明该模型在这两方面的分类任务中表现较优。

    Dec, 2018

  • 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

  • 无限变分自编码器用于半监督学习

    本文提出了一种基于混合模型和狄利克雷过程的无限变分自编码器，其容量能够适应输入数据，从而使得自动编码器数量能够根据数据自动变化，实验结果表明该方法在半监督学习中具有很高的灵活性。

    Nov, 2016