梯度原点网络
计算机视觉与模式识别
2021-03-25 v5 机器学习
摘要
本文提出一种新型生成模型，能够在无编码器的情况下快速学习潜表示。这是通过经验贝叶斯计算后验期望实现的，具体操作为将潜向量初始化为零，然后使用该零向量处数据对数似然的梯度作为新的潜点。该方法具有与自编码器相似的特性，但架构更简单，并在一个允许采样的变分自编码器等价形式中进行了演示。这也使隐式表示网络能够学习隐式函数空间而无需超网络，从而在各数据集上保持其表示优势。实验表明，所提方法收敛更快，重建误差显著低于自编码器，同时仅需一半的参数。
引用
@article{arxiv.2007.02798,
title = {Gradient Origin Networks},
author = {Sam Bond-Taylor and Chris G. Willcocks},
journal= {arXiv preprint arXiv:2007.02798},
year = {2021}
}
备注
16 pages, 17 figures, accepted at ICLR 2021, camera-ready version