ICMLJul, 2018

同胚变分自编码的探索

PDF
TL;DR本文研究了流形值潜变量的使用，特别是连续可微的对称群（李群）的情况，展示了如何通过将再参数化技巧扩展到紧连李群来构造带有李群潜变量的变分自编码器，并通过实验展示了匹配潜在数据流形拓扑结构的流形值潜变量对于保留拓扑结构和学习良好的潜空间至关重要。
manifold hypothesiscontinuous encoder networkvariational auto-encoderslie groupstopological structure
发现论文，激发创造
  • 具有学习潜在结构的变分自编码器

    本文提出了一种新型的 Variational Autoencoder with Learned Latent Structure（VAELLS）模型，该模型融合了可学习的流形模型，使得先验分布与数据流形匹配，并允许定义潜在空间中的生成变换路径，同时尝试在已知潜在结构的情况下进行验证，并展示了该模型在现实世界数据集上的性能。

    Jun, 2020

  • 具随机游走采样的变分扩散自编码器

    本文提出一种方法，将变分自编码器和生成对抗网络与扩散映射相结合，创建了一个继承扩散映射渐近保证的生成模型，同时保持深度模型的可扩展性。

    May, 2019

  • VTAE: 变分转换自编码器与流形学习

    提出了一种变分空间转换自编码器（VTAE），通过在 Riemann 流形上最小化测地线来改善表征学习，并提高计算机视觉任务的预测准确性和适用性，包括图像插值和重构。

    Apr, 2023

  • 扩散变分自编码器

    本文介绍了使用扩散变分自编码器作为潜在空间的任意流形来解决标准变分自编码器无法捕捉某些数据集拓扑性质的问题。我们证明了其可以捕捉合成数据集的拓扑性质，并在各种流形上对 MNIST 数据集进行了训练。

    Jan, 2019

  • 使用条件变分自编码器学习流形维度

    研究证明变分自编码器和其条件扩展在多个领域可以达到最新成果，小样本图像中具有低维曼诺尔性质的特殊数据，其复杂行为仍不为人所知晓，本文从数据分布的角度出发，通过实验证明变分自编码器的全局最小值可以学习到正确的曼诺尔维度，在这个前提下讨论了更普适的条件扩展以适应不同数据分布的情况。

    Feb, 2023

  • Poincaré 变分自编码器实现连续的分层表示

    本文利用 Poincaré 球模型的超几何结构作为潜变量空间，研究了 VAE 在这个空间的运用，该方法在嵌套数据结构下表现出色，并展现了超几何结构对于 VAE 的优越性。

    Jan, 2019

  • 利用潜在高斯分布的双曲线 VAE

    通过使用高斯流形变分自编码器 (GM-VAE) 来提高图像数据集的密度估计和基于模型的强化学习下的环境建模。GM-VAE 在估计密度任务上优于其他变量的双曲线和欧几里得 VAEs，并在基于模型的强化学习中展现出竞争性的性能。

    Sep, 2022

  • 深层生成模型的度量标准

    通过将 Riemannian 几何的思想应用到该领域，我们提出了一种基于最短路径计算的距离度量方法，可以获得基于原则的距离度量，提供深度生成模型的视觉检查工具和运动泛化工具。

    Nov, 2017

  • 混合曲率变分自编码器

    本文提出一种混合曲率变分自编码器，可以在常数曲率的黎曼流形上训练，其中每个组件的曲率可以是固定或可学习的，将欧几里得变分自编码器推广到曲线潜空间，并在组件的曲率接近 0 时恢复欧几里得空间。

    Nov, 2019

  • 低维数据存在下的变分自编码器：优化空间及内在偏向

    本文研究了变分自编码器的训练问题，提出了一种二阶段的训练算法，证明了该算法可以在低维流形上训练，并且得到的生成器可以恰好支持原本的低维流形，且是由于训练算法的隐式偏差而非 VAE 损失本身的原因。

    Dec, 2021