通过数据依赖的条件先验改进多模态数据的 VAE 生成
机器学习
2019-12-02 v1 机器学习
摘要
变分自编码器的主要缺陷之一是无法从源自混合分布的数据的各个模态中产生生成样本。这主要归因于在用于数据生成的祖先采样过程中，对潜码使用简单的各向同性高斯先验。我们提出一种变分自编码器的新公式，条件先验 VAE（CP-VAE），它学习区分各个混合成分，从而允许从分布数据簇中生成样本。我们假设一个两级生成过程，其中连续（高斯）潜变量以离散（类别）潜成分为条件进行采样。新的变分目标自然地耦合了后验与先验条件分布的学习，以及编码原始数据多模态性的潜类别的无监督学习。然后，数据依赖的条件先验被用于从对应于原始数据多模态结构的各个混合成分中采样连续潜码以生成新样本。我们的实验结果展示了新模型相较于多个基线的生成性能。
引用
@article{arxiv.1911.10885,
title = {Improving VAE generations of multimodal data through data-dependent conditional priors},
author = {Frantzeska Lavda and Magda Gregorová and Alexandros Kalousis},
journal= {arXiv preprint arXiv:1911.10885},
year = {2019}
}