Hub-VAE：基于枢纽点的变分自编码器无监督正则化
机器学习
2022-11-22 v1 人工智能
摘要
基于样本的方法依赖信息性数据点与原型来引导学习算法的优化。此类数据有助于可解释的模型设计与预测。特别令人感兴趣的是样本在无监督深度表示学习中的效用。在本文中，我们利用在高维空间中作为频繁近邻出现的枢纽点（hubs）作为样本，对变分自编码器进行正则化，并为无监督下游任务学习判别性嵌入。我们提出了一种无监督的、数据驱动的潜空间正则化方法，采用混合的基于枢纽点的先验和基于枢纽点的对比损失。实验评估表明，与基线及最先进（state-of-the-art）技术相比，我们的算法在嵌入空间中实现了更优的簇可分离性，以及准确的数据重建与生成。
引用
@article{arxiv.2211.10469,
title = {Hub-VAE: Unsupervised Hub-based Regularization of Variational Autoencoders},
author = {Priya Mani and Carlotta Domeniconi},
journal= {arXiv preprint arXiv:2211.10469},
year = {2022}
}