DE-VAE：利用差分熵揭示变分自编码器在参数化与逆投影中的不确定性
机器学习
2025-11-26 v4
摘要
近年来，自编码器（AE）因能创建多维数据的参数化可逆投影而受到关注。参数化投影使得无需重新计算整个投影即可嵌入新的、未见过的样本，而可逆投影则允许合成新的数据实例。然而，现有方法在处理数据空间或嵌入空间中的分布外样本时表现不佳。为此，我们提出了 DE-VAE，一种利用差分熵（DE）来改进所学参数化与逆投影的不确定性感知变分 AE。在给定固定投影的情况下，我们训练 DE-VAE 学习一个到二维空间的映射以及一个回到原始空间的逆映射。我们在四个知名数据集上进行了定量和定性评估，使用 UMAP 和 t-SNE 作为基线投影方法。我们的研究结果表明，DE-VAE 能够创建参数化和逆投影，其精度与其他当前基于 AE 的方法相当，同时能够分析嵌入的不确定性。
引用
@article{arxiv.2508.12145,
title = {DE-VAE: Revealing Uncertainty in Parametric and Inverse Projections with Variational Autoencoders using Differential Entropy},
author = {Frederik L. Dennig and Daniel A. Keim},
journal= {arXiv preprint arXiv:2508.12145},
year = {2025}
}
备注
5 pages, 3 figures, LaTeX; fixed typos; added DOI