具有潜在稀疏高斯过程的全贝叶斯自编码器
机器学习
2023-02-10 v1 机器学习
摘要
自编码器及其变体是表示学习与生成建模中应用最广泛的模型之一。然而，基于自编码器的模型通常假设所学表示是独立同分布的（i.i.d.），且未能捕捉数据样本之间的相关性。为解决此问题，我们提出了一种新颖的稀疏高斯过程贝叶斯自编码器（SGPBAE）模型，该模型在贝叶斯自编码器的潜在空间上施加全贝叶斯稀疏高斯过程先验。我们通过随机梯度哈密顿蒙特卡洛对该模型进行后验估计。我们在广泛的表示学习与生成建模任务上从定性与定量两方面评估了我们的方法，并表明我们的方法始终优于多个依赖于变分自编码器（Variational Autoencoders）的替代方案。
引用
@article{arxiv.2302.04534,
title = {Fully Bayesian Autoencoders with Latent Sparse Gaussian Processes},
author = {Ba-Hien Tran and Babak Shahbaba and Stephan Mandt and Maurizio Filippone},
journal= {arXiv preprint arXiv:2302.04534},
year = {2023}
}