用于组合式深度生成模型的阶乘混合先验
机器学习
2018-12-19 v1 人工智能
机器学习
摘要
我们假设一个高维数据（如图像）是其一组属性的组合表达，且数据与属性之间存在复杂的非线性关系。本文提出一种阶乘混合先验来捕捉潜在属性，从而向深度生成模型添加结构化组合性。该先验将潜在向量视为属于子空间的笛卡尔积，其中每个子空间分别用高斯混合模型进行量化。当存在带标签属性时，某些混合分量可被设为表示作为观测随机变量的属性。通过随机变分推断与梯度下降的结合，本文概述并实证评估了一种以无监督或半监督方式学习如何推断离散属性的方法。
引用
@article{arxiv.1812.07480,
title = {A Factorial Mixture Prior for Compositional Deep Generative Models},
author = {Ulrich Paquet and Sumedh K. Ghaisas and Olivier Tieleman},
journal= {arXiv preprint arXiv:1812.07480},
year = {2018}
}
备注
16 pagers, 10 figures