Nov, 2022

Hub-VAE: 无监督基于 Hub 的变分自编码器正则化

PDF
TL;DR本文介绍了一种利用 hub-based priors 对未监督深度学习进行正则化的算法，同时使用 hub-based contrastive loss 对潜在空间进行数据驱动的正则化，以达到在 embedding space 中实现更好的聚类可分离性、数据重构和生成性能。
发现论文，激发创造
  • 变分自编码器的一致性正则化

    本文提出了一种正则化方法来强制 Variational Auto-Encoder 的一致性，通过最小化 Kullback-Leibler（KL）散度来实现；实验结果表明该方法可以改善学习表征的质量并提高其泛化能力。

    May, 2021

  • 通过保持局部性的变分判别网络学习强大的聚类表示

    本文提出了一种改进的联合学习框架，包括强鲁棒性嵌入判别器和局部结构约束，来改善 VaDE 聚类方法的两个问题。实验结果表明，我们的方法在各种基准数据集上表现优于现有模型，并且对抗输入具有极强的稳健性，可实际应用于实践。

    Dec, 2020

  • 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

  • 在 VAEs 中学习分层先验

    本文提出了在变分自编码器中学习分层先验以避免标准正态先验分布造成的过度规则化。为了激励数据的具有信息的潜在表示，我们将学习问题公式化为带有约束的优化问题，并将 Taming VAEs 框架扩展为两层分层模型。我们引入了基于图形的插值方法，该方法显示所学习的潜在表示的拓扑结构对应于数据流形的拓扑结构，并呈现了几个例子，在这些例子中，优先考虑的是潜在表示的所需属性，例如平滑性和简单的解释因素。

    May, 2019

  • 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

  • 基于密度间隙正则化的变分自编码器改进

    通过在概率密度差异方面引入新的正则化方法，有效解决了 Variational autoencoders 中的 LATENT REPRESENTATION LEARNING 方面出现的后验崩溃和空洞问题。

    Nov, 2022

  • 针对具有鲁棒性的半监督学习的对抗变分嵌入

    我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

    May, 2019

  • 变分自编码器中学习潜在子空间

    本文提出了一种基于变分自编码器的生成模型，使用互信息最小化学习与每个标签相关的低维潜空间，并展示了其在特征操作上的实用性。

    Dec, 2018

  • 高斯混合变分自编码器的深度无监督聚类

    我们研究了一个变分自编码器模型（VAE）的变体，其中高斯混合作为先验分布，通过深生成模型实现无监督聚类，通过最小信息约束启发式，缓解了过度正则化问题，并在合成数据、MNIST 和 SVHN 上证明了模型的性能。

    Nov, 2016

  • 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