GCVAE：广义可控变分自编码器
机器学习
2022-06-10 v1 机器学习
摘要
变分自编码器（VAEs）近来被用于复杂密度分布的无监督解耦学习。现有众多变体旨在鼓励潜空间中的解耦同时改善重构。然而，尚无方法能同时处理好极低重构误差与高解耦分数之间的权衡。我们提出一个广义框架，在约束优化下应对该挑战，并证明其在解耦方面优于现有最先进模型，同时平衡了重构。我们引入三个可控拉格朗日超参数来控制重构损失、KL 散度损失和相关性度量。我们证明，在合理假设与约束松弛下，最大化重构网络中的信息等价于摊销推断过程中的信息最大化。
引用
@article{arxiv.2206.04225,
title = {GCVAE: Generalized-Controllable Variational AutoEncoder},
author = {Kenneth Ezukwoke and Anis Hoayek and Mireille Batton-Hubert and Xavier Boucher},
journal= {arXiv preprint arXiv:2206.04225},
year = {2022}
}
备注
17 pages, 7 figures, 2 tables