一种贝叶斯非参数方法的生成模型：使用 Wasserstein 和最大均值差异度集成变分自编码器和生成对抗网络

Aug, 2023

一种贝叶斯非参数方法的生成模型：使用 Wasserstein 和最大均值差异度集成变分自编码器和生成对抗网络

A Bayesian Non-parametric Approach to Generative Models: Integrating Variational Autoencoder and Generative Adversarial Networks using Wasserstein and Maximum Mean Discrepancy

PDF

Forough Fazeli-Asl, Michael Minyi Zhang

TL;DR对 GANs 和 VAEs 进行贝叶斯非参数方法的融合，使用 Wasserstein 和最大均值差异度量在损失函数中结合以学习潜在空间并生成多样且高质量的样本，实现在异常检测和数据增强等各种生成任务中卓越性能的新型模型，进一步通过在代码空间中引入额外的生成器来增强模型的能力，可用于各种应用的更强大的生成模型。

Abstract

generative models have emerged as a promising technique for producing high-quality images that are indistinguishable from real images. Generative adversarial networks (gans) and variational autoencoders (

generative models gans vaes bayesian non-parametric approach latent space

发现论文，激发创造

对抗变分贝叶斯：统一变分自编码器和生成对抗网络

介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

Jan, 2017

深层生成模型的统一化

本文介绍了针对生成模型学习中 GAN 和 VAEs 的新方法，并阐述了 GAN 和 VAEs 的相似性和差异性，探讨了它们的后验推理和 KL 散度的最小化问题，并将 VAEs 的 importance weighting 方法应用到 GAN 的学习中，同时采用对抗性机制加强 VAEs 模型，实验证明了这些方法的普适性和有效性。

Jun, 2017

自动编码生成对抗网络的变分方法

本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

Jun, 2017

熵生成对抗网络与变分自编码器相遇：计算 GAN 样本似然的统计方法

通过构建一种显式的概率模型，将沃瑟斯坦 GANs 与熵正则化视为基于变分下界的生成模型，从而使得 GANs 和 VAEs 之间建立了有理论支持的联系。同时，作者还在多个数据集上计算了 GANs 的似然统计量，验证了该理论结果。

Oct, 2018

一个改进的表格数据生成器与 VAE-GMM 集成

提出了一种基于变分自编码器的模型，该模型以贝叶斯高斯混合模型为基础，在处理表格数据时能够更准确地表示潜在数据分布，同时具有更灵活的特性和更好的性能。

Apr, 2024

基于高斯先验和非线性异常分数的对抗异常检测

结合自动编码器和生成对抗网络的方法，提出了一种用于医学领域异常检测的新模型 beta-VAEGAN。通过训练核支持向量机，并考虑非线性关系，改进了异常检测性能，并提出了一种新的异常得分组成元素。相比现有最先进方法，在 MITBIH 心臟節律失常数据库上，将异常检测的 F1 得分从 0.85 提高到了 0.92。

Oct, 2023

多对抗变分自编码网络

介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构，它是 VAE-GAN 网络的一个创新应用，在人工合成图像方面有很好的表现。

Jun, 2019

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

生成模型的自适应密度估计

该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

Jan, 2019

协同过滤的变分自编码器

本研究提出一种基于 VAE 的非线性概率模型，用于解决协作过滤问题，相对于现有的线性因子模型，具有更强的建模能力，并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现，并对使用多项式分布作为似然函数进行了比较实验，分析了使用贝叶斯方法的优缺点及适用场景。

Feb, 2018