基于庞加莱变分自编码器的连续层次化表示
机器学习
2019-11-27 v3 机器学习
摘要
变分自编码器（VAE）是一种流行的学习生成模型与数据嵌入的方法。许多真实数据集具有层次化结构。然而，传统 VAE 将映射数据到欧氏潜在空间，无法高效嵌入树状结构。具有负曲率的双曲空间则可以。因此，我们赋予 VAE 以庞加莱球模型作为双曲几何的潜在空间，并严格推导在该空间上处理两种主要高斯推广的必要方法。我们通过实验表明，相较于欧氏对应方法，其对未见过的数据具有更好的泛化能力，并且能在定性与定量上更好地恢复层次结构。
引用
@article{arxiv.1901.06033,
title = {Continuous Hierarchical Representations with Poincar\'e Variational Auto-Encoders},
author = {Emile Mathieu and Charline Le Lan and Chris J. Maddison and Ryota Tomioka and Yee Whye Teh},
journal= {arXiv preprint arXiv:1901.06033},
year = {2019}
}
备注
Advances in Neural Information Processing Systems