ICMLJul, 2020

VAE 的量化理解作为非线性缩放等距嵌入

PDF
TL;DR本文通过变分自编码器中差分几何与信息论的解释提供了对变分自编码器属性的量化理解，然后从变换编码的类比出发阐明了变分自编码器可以映射到一个隐式等距嵌入中，并得出了每个潜在变量的重要性的定量评估方法。
variational autoencoderposterior parametersdifferential geometrictransform codinglatent variables
发现论文，激发创造
  • 基于率失真优化指导的自编码器实现欧几里得潜变量等距嵌入

    为了解决深度生成模型在重现概率分布函数方面的局限性，本文提出了一种基于速率失真优化的自编码器，通过实现等距性质来嵌入数据空间，取得了非常良好的无监督异常检测性能，并且在四个公共数据集上优于现有方法。

    Oct, 2019

  • 变分自编码器无意中寻找主成分分析方向

    该论文研究了变分自编码器（VAE）在学习可解释的表示和生成建模方面的出色表现，提供了对其良好性能的解释，阐明了该架构中解码器的局部正交性，从而促进重构和正交性之间的平衡。

    Dec, 2018

  • 带隐式最优先验的变分自编码器

    该论文介绍的方法通过密度比技巧来达到 KL 散度的隐式计算，在不模拟聚合后验的情况下，可以使用最优先验，从而在各种数据集上实现高密度估计性能。

    Sep, 2018

  • 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

  • 连续潜在空间和变分推断的可学习显式密度

    本文研究变分自编码器（VAE）的先验分布和后验分布。首先，我们将 VAE 的学习分解为逐层密度估计，并认为灵活的先验分布有益于样本生成和推断。其次，我们分析了反自回归流的族群（inverse AF），并表明在进一步改进后，反自回归流可用作对任何复杂后验的通用逼近。我们提出了一种统一的方法来参数化 VAE，而无需在潜在实空间中使用因子高斯分布。

    Oct, 2017

  • 变分贝叶斯量化

    我们提出了一种新颖的算法来量化训练模型中的连续潜在表达式，该算法适用于深度概率模型，可以实现数据和模型压缩，并且可以基于后验不确定性使用自适应量化精度来实现可变的码率失真折衷，实验证明了所提出的算法的有效性。

    Feb, 2020

  • 非参数变分自编码器用于分层表示学习

    本文提出了一种层次非参数变分自编码器模型，以结合树状结构的贝叶斯非参数先验和变分自编码器来实现无限灵活性的潜在表征空间，进而在视频表征学习上取得更好的效果。

    Mar, 2017

  • 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

  • 潜空间非线性统计

    本文提出一种基于非线性流形统计学的技术，可在低维非线性表示学习的潜空间中实现数据的统计分析，并通过训练神经网络来近似描述数据流形的黎曼度量。

    May, 2018

  • 基于 Wasserstein 自编码器的低维本质数据的统计分析

    研究论文通过适当选择网络结构，展示了 WAEs 能够学习数据分布，并且其收敛速度与特征维度无关，只依赖于数据分布的内在维度。

    Feb, 2024