ICLRFeb, 2024

基于 Wasserstein 自编码器的低维本质数据的统计分析

PDF
TL;DR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。
variational autoencoderswasserstein autoencodersdata distributionsnetwork architecturesconvergence rates
发现论文，激发创造
  • 用 Wasserstein 自编码器进行并发密度估计：一些统计学见解

    通过神经网络引发的转换，我们从统计的角度提出了对 WAEs 机制的理论理解，并在存在敌对情况下分析了这些随机误差的传播，探索了重建分布的大样本特性和 WAE 模型的弹性。

    Dec, 2023

  • Wasserstein 自编码器

    本文提出了 Wasserstein 自编码器（WAE）算法，通过最小化 Wasserstein 距离来构建数据分布的生成模型，并与其他技术进行比较，表明其是对抗自编码器（AAE）的推广，可用于生成更高质量的样本。

    Nov, 2017

  • 基于随机 Wasserstein 自编码器的概率句子生成

    本文介绍 Wasserstein 自编码器 (WAE) 的应用，用于概率句子生成，并与其他概率模型进行比较。研究表明，在 stochastic encoding 由固定分布制备时，该分布往往趋向于变成 Dirac delta function，于是提出了一种改进型 WAE 以鼓励编码的随机性，实验表明，该模型在保持与 VAE 相似的连续性和平滑性的同时，能更好的还原句子。

    Jun, 2018

  • Gromov-Wasserstein 自编码器

    本文提出了一种新的表征学习方法，Gromov-Wasserstein Autoencoders（GWAE），通过将 variational autoencoding scheme 与 Gromov-Wasserstein metric 相结合来直接匹配潜变量和数据分布，以实现在不改变其目标的情况下将 meta-priors 引入潜空间。

    Sep, 2022

  • 关于 Wasserstein 自编码器的潜空间

    研究了 Wasserstein 自动编码器中潜在空间维度的作用，通过对合成和实际数据集的实验，提出了随机编码器应优于确定性编码器的观点，并强调了在基准解缠任务中代表学习的 WAE 的潜力。

    Feb, 2018

  • 重要性加权自编码器

    本文提出了 IWAE，一种基于 VAE 的生成模型，将后验分布建模的灵活性提高，使得学习到的潜空间表示更加丰富，从而取得更好的密度估计结果。

    Sep, 2015

  • 变分自编码器教程

    介绍了变分自编码器（VAE）背后的直觉，解释了其背后的数学原理，并描述了它们的一些经验行为。

    Jun, 2016

  • 利用 PAC-Bayesian 理论对变分自动编码器提供统计保证

    使用 PAC-Bayesian 理论为变分自动编码器（VAEs）提供统计保证，推导了后验分布的 PAC-Bayesian 界限，以及 VAE 的重构损失的泛化保证、输入分布与 VAE 生成模型定义的分布之间的距离的上界和 Wasserstein 距离的上界。

    Oct, 2023

  • DialogWAE: 条件 Wasserstein 自编码器的多模态响应生成

    提出了 DialogWAE，这是一种特殊设计的条件 WAE，用于对话建模，能够通过在潜变量空间内训练 GAN 来模拟数据的分布，并进一步发展了高斯混合先验网络，能够产生具有更连贯、更丰富和更多样化响应的结果。

    May, 2018

  • 基于预测性变分自编码器的时间序列数据鲁棒表示学习

    利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

    Dec, 2023