使用 trVAE 的无配对数据条件外样本生成

Oct, 2019

使用 trVAE 的无配对数据条件外样本生成

Conditional out-of-sample generation for unpaired data using trVAE

Mohammad Lotfollahi, Mohsen Naghipourfar, Fabian J. Theis, F. Alexander Wolf

TL;DR本研究通过使用最大平均离差（MMD）来匹配不同条件下的生成模型的分布，从而对条件变分自编码器（CVAE）进行改进，提出了 Transformer VAE（trVAE）的架构，并在高维图像和表格数据上展示了比现有方法更高的鲁棒性和准确性。

Abstract

While generative models have shown great success in generating high-dimensional samples conditional on low-dimensional descriptors (learning e.g. stroke thickness in MNIST, hair color in CelebA, or speaker identity in Wavenet), their generation out-of-sample poses fundamental problems.

generative models conditional generative model variational autoencoder maximum mean discrepancy transformer vae

发现论文，激发创造

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

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

基于 Transformer 的条件变分自编码器用于可控的故事生成

本文提出了一种基于转换器和变分自动编码器（VAE）的条件变分自动编码器（CVAE）方法，在保持卓越的生成效果的同时增强了可控性和表征学习能力，实现了对长文本的神经故事生成。

Jan, 2021

具任意条件的变分自编码器

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。

Jun, 2018

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

变分扩散自编码器：具有无条件扩散先验的深层潜变量模型

采用扩散模型集成编码器和无条件扩散模型的得分函数，消除了 VAE 图像模糊的问题，并显著提高了性能。

Apr, 2023

一个改进的表格数据生成器与 VAE-GMM 集成

提出了一种基于变分自编码器的模型，该模型以贝叶斯高斯混合模型为基础，在处理表格数据时能够更准确地表示潜在数据分布，同时具有更灵活的特性和更好的性能。

Apr, 2024

一种应用 VAE 的多元极值抽样方法

基于变分自编码器的方法来采样多元重尾分布，进而得到准确极值，此方法在洪水灾害风险评估方面具有潜在应用价值，不仅在测试数据中的性能比标准变分自编码器好，还比竞争的极值理论方法更好地学习了极端事件之间的依赖关系。

Jun, 2023

多方面和缺失数据的解缩变分自编码器表示

factVAE 是一种鲁棒的深度生成模型，能够处理多方面的数据，在缺失数据的情况下表现良好，并且以一种能够鼓励群体和潜在维度之间分离的方式进行处理。

Jun, 2018

通过迭代近似祖先采样实现变分自动编码器的条件抽样

用于缺失数据填补等多种应用中需要条件抽样的变分自动编码器 (VAEs) 是计算不可行的。本文解决了 Metropolis-within-Gibbs (MWG) 在 VAEs 中存在的问题，提出了两种解决方法，并在一组抽样任务上展示了改进的性能。

Aug, 2023