面向混合数据的高斯Copula变分自编码器

变分自编码器（VAE）是一种具有连续隐变量的生成模型，其中一对概率编码器（自底向上）和解码器（自顶向下）通过随机梯度变分贝叶斯联合学习。我们首先阐述高斯VAE，将解码器的局部协方差矩阵近似为从高斯分布抽取的样本所确定位置处主方向的外积。我们表明，与采用独立多元高斯建模解码器的标准高斯VAE相比，该模型（称为VAE-ROC）能更好地捕捉数据流形。然后我们将VAE-ROC扩展到处理混合类别和连续数据。为此，我们采用高斯copula对混合类别和连续数据中的局部依赖关系建模，得到高斯copula变分自编码器（GCVAE）。如在VAE-ROC中，我们在高斯copula中使用秩一近似协方差，以捕捉混合数据中的局部依赖结构。在各种数据集上的实验展示了VAE-ROC和GCVAE相较于标准VAE的有效行为。