变分自编码器的分布学习：在合成数据生成中的应用
机器学习
2023-10-30 v3 机器学习
摘要
尽管变分自编码器（VAE）在计算建模上高效，其高斯性假设一直被批评为主要局限。本文提出一种新方法，在牺牲 VAE 框架计算优势的前提下扩展模型容量（即分布族的表达能力）。我们的 VAE 模型解码器由无限混合非对称拉普拉斯分布构成，具备对连续变量的一般分布拟合能力。我们的模型表现为一种用于估计一般分位函数的非参数 M-估计量的特殊形式，并从理论上建立了所提模型与分位估计之间的关联。我们将所提模型应用于合成数据生成，尤其表明我们的模型在轻松调节数据隐私级别方面具有优越性。
引用
@article{arxiv.2302.11294,
title = {Distributional Learning of Variational AutoEncoder: Application to Synthetic Data Generation},
author = {Seunghwan An and Jong-June Jeon},
journal= {arXiv preprint arXiv:2302.11294},
year = {2023}
}