利用混合变分族从不完整数据改进变分自编码器估计
机器学习
2024-06-28 v2 机器学习
摘要
我们考虑在训练数据不完整时估计变分自编码器（VAEs）的任务。我们表明，与完全观测情况相比，缺失数据会增加模型在潜变量上后验分布的复杂性。这种增加的复杂性可能会由于变分分布与模型后验分布之间的不匹配而对模型的拟合产生不利影响。我们引入了两种基于 (i) 有限变分混合分布和 (ii) 基于插补的变分混合分布的策略，以解决增加的后验复杂性。通过对所提方法的全面评估，我们表明变分混合能有效提高从不完整数据中估计 VAE 的准确性。
引用
@article{arxiv.2403.03069,
title = {Improving Variational Autoencoder Estimation from Incomplete Data with Mixture Variational Families},
author = {Vaidotas Simkus and Michael U. Gutmann},
journal= {arXiv preprint arXiv:2403.03069},
year = {2024}
}
备注
Published in Transactions on Machine Learning Research (TMLR), 2024