基于潜在高斯分布的双曲VAE
机器学习
2023-10-31 v3 人工智能
摘要
我们提出了一种高斯流形变分自编码器（GM-VAE），其潜在空间由一组高斯分布构成。已知具有Fisher信息度量的单变量高斯分布集合构成一个双曲空间，我们称之为高斯流形。为了学习赋予高斯流形的VAE，我们基于Kullback-Leibler散度（平方Fisher-Rao距离的局部近似）提出了一种伪高斯流形正态分布，以定义潜在空间上的密度。在实验中，我们展示了GM-VAE在两项不同任务上的有效性：图像数据集的密度估计和基于模型的强化学习中的环境建模。GM-VAE在密度估计任务上优于其他双曲和欧氏VAE变体，并在基于模型的强化学习中表现出有竞争力的性能。我们观察到，我们的模型提供了很强的数值稳定性，解决了先前双曲VAE中报道的一个常见局限。
引用
@article{arxiv.2209.15217,
title = {Hyperbolic VAE via Latent Gaussian Distributions},
author = {Seunghyuk Cho and Juyong Lee and Dongwoo Kim},
journal= {arXiv preprint arXiv:2209.15217},
year = {2023}
}
备注
20 pages, Thirty-seventh Conference on Neural Information Processing System, 2023