利用扩散变分自编码器在超球面潜空间中进行解耦表示
机器学习
2020-03-23 v1 机器学习
摘要
数据集的解耦表示应当能够恢复生成该数据集的潜在因子。一个自然产生的问题是：当底层生成因子具有某种几何结构时，在潜变量模型中使用欧氏空间能否产生解耦表示。以从不同角度观察到的汽车图像为例。角度具有周期性结构，但一维表示将无法捕捉这种拓扑。我们如何解决这个问题？NeurIPS2019解耦挑战赛第一阶段提交的方案由一个具有超球面潜空间的扩散变分自编码器（VAE）组成，该编码器例如可以恢复周期性真实因子。VAE的训练通过引入修改版的证据下界（ELBO）来增强，以调整后验近似的编码容量。
引用
@article{arxiv.2003.08996,
title = {Disentanglement with Hyperspherical Latent Spaces using Diffusion Variational Autoencoders},
author = {Luis A. Pérez Rey},
journal= {arXiv preprint arXiv:2003.08996},
year = {2020}
}