瓶颈条件密度估计
机器学习
2017-07-03 v3 机器学习
摘要
我们提出了一种用于训练高维条件密度估计的深度生成模型的新框架。瓶颈条件密度估计器（BCDE）是条件变分自编码器（CVAE）的一种变体，它采用随机变量层作为输入与目标之间的瓶颈，其中二者均为高维。关键的是，我们提出了一种将条件生成模型与联合生成模型相融合的混合训练方法。混合融合是BCDE有效训练的关键，其避免了过拟合并为利用无标签数据提供了新机制。我们展示了我们的混合训练过程使模型在全监督设置下的MNIST象限预测任务中取得有竞争力的结果，并在MNIST、SVHN和CelebA的半监督机制中树立了新的基准。
引用
@article{arxiv.1611.08568,
title = {Bottleneck Conditional Density Estimation},
author = {Rui Shu and Hung H. Bui and Mohammad Ghavamzadeh},
journal= {arXiv preprint arXiv:1611.08568},
year = {2017}
}