使用 Wasserstein 自编码器进行并发密度估计：一些统计见解
机器学习
2023-12-12 v1 机器学习
摘要
变分自编码器（VAE）一直是深度生成模型领域的先驱力量。在其众多衍生模型中，Wasserstein 自编码器（WAE）因其兼具更高的生成质量和坚实的理论基础而尤为突出。WAE 由一个编码网络和一个解码网络组成，形成一个瓶颈，其主要目标是生成与所提供样本相似的新样本。在此过程中，它们旨在实现编码数据的目标潜在表示。我们的工作试图从理论上理解 WAE 背后的机制。从统计学的角度来看，我们将该问题视为基于神经网络诱导变换的并发密度估计任务。这使我们能够为 WAE 所犯的实现误差建立确定性的上界。我们还分析了这些随机误差在存在对抗性攻击情况下的传播。因此，我们探讨了重构分布的大样本性质以及 WAE 模型的鲁棒性。
引用
@article{arxiv.2312.06591,
title = {Concurrent Density Estimation with Wasserstein Autoencoders: Some Statistical Insights},
author = {Anish Chakrabarty and Arkaprabha Basu and Swagatam Das},
journal= {arXiv preprint arXiv:2312.06591},
year = {2023}
}