耦合 VAE：改进变分自编码器的精度与鲁棒性
机器学习
2025-11-25 v4 机器学习
摘要
我们提出一种耦合变分自编码器（VAE）方法，可改进对所表示数据的概率推断的精度与鲁棒性。该方法对输入特征向量（图像）之间的依赖性进行建模，并通过利用非线性统计耦合原理将原始损失函数推广为耦合熵函数，对离群点施以更高的惩罚。我们使用 MNIST 数据集评估耦合 VAE 模型的性能。与传统 VAE 算法相比，耦合 VAE 方法生成的输出图像更清晰、模糊更少。将输入图像嵌入 2D 潜变量空间的可视化，为带有耦合损失函数的新模型结构提供了更深入的洞察：潜变量具有更小的偏差，且更紧凑的潜空间生成输出值。我们使用广义均值分析输入图像似然的直方图，其将模型精度度量为其相对风险的函数。中性精度（即几何均值，且与香农交叉熵的度量一致）得到了改进。由 -2/3 广义均值度量的鲁棒精度也同样得到了改进。
引用
@article{arxiv.1906.00536,
title = {Coupled VAE: Improved Accuracy and Robustness of a Variational Autoencoder},
author = {Shichen Cao and Jingjing Li and Kenric P. Nelson and Mark A. Kon},
journal= {arXiv preprint arXiv:1906.00536},
year = {2025}
}
备注
19 pages, 11 figures