去噪对抗自编码器

无监督学习日益受到关注，因为它释放了海量无标签数据中蕴含的潜力，从而学习用于推断的有用表示。自编码器作为一种生成模型，可以通过学习从潜在表示空间重建无标签输入数据来进行训练。如果自编码器学会从损坏的样本中恢复干净的输入样本，则可以产生更鲁棒的表示。通过在训练期间引入正则化以塑造编码数据在潜在空间中的分布，可以进一步改进表示。我们提出了去噪对抗自编码器，它结合了去噪和正则化，利用对抗训练来塑造潜在空间的分布。我们引入了一种新颖的分析，展示了如何将去噪纳入对抗自编码器的训练和采样中。我们进行了实验，以评估去噪对分类和样本合成的表示学习的贡献。我们的结果表明，使用去噪准则训练的自编码器实现了更高的分类性能，并且与没有损坏过程训练的自编码器相比，能够合成与输入数据更一致的样本。