Jun, 2022
使用变分自编码器进行潜变量建模:一项调查
Latent Variable Modelling Using Variational Autoencoders: A survey
Vasanth Kalingeri
TL;DR本文深入探讨了概率分布和变分自编码器的理论,并总结当前研究现状;适合机器学习初学者了解概率分布学习中的核心思想及其在深度学习领域的应用,并为此子领域的新参与者提供了一个适宜的入门机会。
Abstract
A probability distribution allows practitioners to uncover hidden structure
in the data and build models to solve supervised learning problems using
limited data. The focus of this report is on →
发现论文,激发创造
离散变分自编码器
该研究提出了一种使用变分自编码器框架中的反向传播通过离散潜在变量训练带有离散潜变量的概率模型的新方法,能够有效地从无监督数据中学习对象的类别和像素级别的信息,并在 MNIST,Omniglot 和 Caltech-101 Silhouettes 数据集上比其他方法更加先进。
Sep, 2016
一种新颖的变分自编码器及其在生成建模、分类和序数回归中的应用
文中提出了一种新的基于变分自编码器的概率生成模型,该模型使用新颖的方法确定潜在变量先验和强制序数单位,并用于有监督、无监督和半监督学习以及标称和序数分类,实验结果表明该模型在这两方面的分类任务中表现较优。
Dec, 2018
利用变分自动编码器学习困难量子分布
研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态,该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。
Oct, 2017
变分自编码器的三种变体
通过引入第二个参数化的编解码对和一个额外的固定编码器,我们发展了三种 VAE 的变种,并使用神经网络学习编码器 / 解码器的参数来比较这些变种与原始 VAE 的 ELBO 逼近。其中一种变化导致了一个 EUBO,可以与原始 ELBO 一起用于研究 VAE 的收敛性。
Dec, 2022
梯形变分自编码器
本文提出了一种新的推断模型 ——“阶梯式变分自动编码器”,并利用逐步添加的近似似然校正生成分布,在生成模型中实现了更深更分布的隐变量层次结构,提供了前沿的预测性能和更紧的下界。
Feb, 2016
动态变分自编码器:综述
本文对可变自编码器 (VAE) 拓展至处理序列数据的方法进行了综述,提出并讨论了动态变分自编码器 (DVAEs) 这一类模型,详细介绍了七种 DVAE 模型,并通过语音分析 - 重构任务的实验基准进行了验证,最后探讨了 DVAE 模型的重要问题和未来的研究方向。
Aug, 2020