粗粒化指数变分自编码器
机器学习
2017-02-28 v1
摘要
变分自编码器（VAE）通常使用高斯分布或类别分布来建模推断过程。这限制了变分学习，因为这种简化假设与通常复杂得多的真实后验分布不匹配。为了打破这一限制并在推断过程中应用任意参数化分布，本文推导出一种半连续的潜在表示，它在规定精度内近似于连续密度，并且由于其本质上是离散的，比其连续对应物更易于分析。我们通过将多项式指数族分布作为后验（通用概率密度函数生成器）来展示该命题。我们的实验结果表明，相较于常用的 VAE 模型有一致的改进。
引用
@article{arxiv.1702.07904,
title = {Coarse Grained Exponential Variational Autoencoders},
author = {Ke Sun and Xiangliang Zhang},
journal= {arXiv preprint arXiv:1702.07904},
year = {2017}
}