Beta-VAE 可复现性：挑战与扩展
机器学习
2022-01-03 v2 人工智能
摘要
-VAE 是变分自编码器的后续技术，提出对 VAE 损失中的 KL 散度项进行特殊加权以获得解耦表示。众所周知，即使在玩具数据集上无监督学习也很脆弱，且解耦在数学上精确且有意义的定义仍然难以找到。在此我们调研原始的 -VAE 论文，并为先前获得的表明其缺乏可复现性的结果增添证据。我们还进一步扩展模型的实验，并在分析中纳入更复杂的数据集。我们还为 -VAE 模型实现了 FID 评分指标，并对所得结果进行定性分析。最后我们简要讨论未来可开展的调查研究，以增添结论的稳健性。
引用
@article{arxiv.2112.14278,
title = {Beta-VAE Reproducibility: Challenges and Extensions},
author = {Miroslav Fil and Munib Mesinovic and Matthew Morris and Jonas Wildberger},
journal= {arXiv preprint arXiv:2112.14278},
year = {2022}
}