ODE2VAE 的分析与实例

深度生成模型旨在学习生成观测数据的底层分布。鉴于生成分布可能复杂且难以处理，深度潜变量模型使用概率框架来学习数据及其低维隐藏变量上更具表达力的联合概率分布。在无任何监督的情况下学习序列数据上的复杂概率分布，对深度生成模型而言是一项困难任务。常微分方程变分自编码器（ODE2VAE）是一种深度潜变量模型，旨在学习高维序列数据及其低维表示上的复杂分布。ODE2VAE 在低维层次化潜空间中推断高维输入的连续潜动力学。连续潜空间的层次化组织为模型嵌入了物理引导的归纳偏置。在本文中，我们分析 ODE2VAE 模型在三个不同物理运动数据集上推断的潜表示：弹跳球、抛体运动和单摆。通过实验，我们探究 ODE2VAE 模型的物理引导归纳偏置对所学动态潜表示的影响。我们表明该模型能够在无任何监督的情况下在一定程度上学到有意义的潜表示。