带黎曼布朗运动先验的变分自编码器

ICMLFeb, 2020

带黎曼布朗运动先验的变分自编码器

Variational Autoencoders with Riemannian Brownian Motion Priors

Dimitris Kalatzis, David Eklund, Georgios Arvanitidis, Søren Hauberg

TL;DR本文提出了在潜空间上采用 Riemannian 结构和 Riemannian Brownian motion 先验来代替传统高斯先验，从而提高 Variational Autoencoder 的模型能力。

Abstract

Variational Autoencoders (VAEs) represent the given data in a low-dimensional latent space, which is generally assumed to be Euclidean. This assumption naturally leads to the common choice of a standard Gaussian prior over continuous latent variables. Recent work has, however, shown th

variational autoencoder latent space riemannian structure riemannian brownian motion prior model capacity

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

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

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

高斯过程先验变分自编码器

本文研究了一种新的模型 Gaussian Process Prior Variational Autoencoder (GPPVAE)，结合了 VAEs 和具有 GP priors 关联特性的能力，解决了 VAEs 假设的潜在样本表示是独立并且同分布的假设不够强的问题，并利用协方差矩阵中的结构，介绍了一种新的随机反向传播策略，达到了分布式和低内存计算随机梯度的目的，实验证明该方法可以在两个图像数据应用程序中优于 conditional VAEs (CVAEs) 和标准 VAEs。

Oct, 2018