贝叶斯网络的倒置
本文提出了一种通过使用自动编码变分贝叶斯 (Auto-Encoding Variational Bayes) 和基于核的独立度量来强制表示之间独立性的方法,该方法可以应用于各种问题,包括学习不变表示和可解释表示的学习,同时在单细胞 RNA 测序 (scRNA-seq) 方面超过了现有技术。
May, 2018
本文探讨了利用深度神经网络对概率模型进行参数化的变分推断方法在语言建模上出现的后验坍塌问题,介绍了多种解决方案和模型扩展,并通过贝叶斯优化系统性比较了这些方法的效果和差异,同时提供了一些实践建议。
Apr, 2019
本文介绍了一种基于随机变分推理 (Variational Inference) 的学习算法,可以为存在潜变量的、具有难以处理的后验分布的连续概率模型提供有效的推理和学习方法,特别是在大型数据集下具有较好的表现,且已经在实验上得到了验证。
Dec, 2013
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
使用 Variational Homoencoder(VHE)技术,在 Omniglot 数据集中建立层次化的 PixelCNN,其效果优于所有现有模型,同时在一次性生成和分类任务上实现强大性能。
Jul, 2018
我们提出了一种快速的非迭代近似推理方法,通过前馈网络实现从变分后验进行有效精确抽样,该方法通过应用几种直观的模型独立方差减少技术,优于 MNIST 和 Reuters RCV1 文件数据集上的唤醒 - 睡眠算法,并取得了最新成果。
Jan, 2014
本文阐述了变分自编码器中潜变量的后验坍塌现象是由于潜在变量在生成模型中不可识别,提出了一类具有潜变量可识别性的深度生成模型,并证明了它们可以通过概率单射 Brenier maps 实现参数化,在合成和实际数据集上优于现有方法,从而解决了后验坍塌问题。
Jan, 2023