凸平滑自编码器-最优传输模型

Aratrika Mustafi

凸平滑自编码器-最优传输模型

机器学习 2021-01-15 v1 机器学习

作者: Aratrika Mustafi

摘要

生成建模是无监督机器学习中的关键工具，近年来取得了卓越成功。尽管成就巨大，即便最佳的生成模型如生成对抗网络(GANs)与变分自编码器(VAEs)也各有缺陷，模式崩溃与模式混合是最突出的两个问题。本文提出一种新生成模型，能够生成类似于观测数据的样本，且不存在模式崩溃与模式混合。我们的模型受近期提出的自编码器-最优传输(AE-OT)模型启发，并试图通过解决 AE-OT 模型自身面临的问题（具体针对样本生成算法）来改进它。本文还建立了关于以平滑估计逼近非平滑 Brenier 势的误差界，以及以平滑最优传输映射估计逼近不连续最优传输映射的理论结果。

关键词

生成模型自编码器-最优传输模式崩溃模式混合平滑 Brenier 势最优传输映射

引用

@article{arxiv.2101.05679,
  title  = {Convex Smoothed Autoencoder-Optimal Transport model},
  author = {Aratrika Mustafi},
  journal= {arXiv preprint arXiv:2101.05679},
  year   = {2021}
}

备注

26 pages

凸平滑自编码器-最优传输模型

摘要

关键词

引用

备注

相关论文