针对具有鲁棒性的半监督学习的对抗变分嵌入
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
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
介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构,它是 VAE-GAN 网络的一个创新应用,在人工合成图像方面有很好的表现。
Jun, 2019
提出了自标签增强的 VGAE 模型,包括自标签增强方法(SLAM),用于图的归纳学习,通过在模型训练中进行标签重建以利用标签信息,并采用节点遮盖方法生成伪标签来增强标签信息。实验证明在半监督学习设置下,我们的模型在节点分类上表现出明显的优势。
Mar, 2024
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
本文提出了 “对抗自编码器”(AAE),它是一个概率自编码器,使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果,对抗自编码器的解码器学习了一种深度生成模型,将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类,图像风格和内容分离,无监督聚类,降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验,并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。
Nov, 2015
本篇论文提供了一个新的原则,即利用生成模型的层次结构将自编码器与生成对抗网络相结合,以防止学习到的生成模型中的模式崩溃,并使用区分器学习合成可能性和隐式后验分布。
Jun, 2017