变分自编码器与隐空间能量基模型的联合训练
计算机视觉与模式识别
2020-06-12 v1 机器学习
摘要
本文提出一种联合训练方法，以同时学习变分自编码器（VAE）与隐空间能量基模型（EBM）。VAE 与隐空间 EBM 的联合训练基于一个目标函数，该函数由隐向量与图像上三个联合分布之间的三个 Kullback-Leibler 散度组成，且目标函数具有优雅的对称与反对称形式的散度三角形，无缝融合了变分学习与对抗学习。在该联合训练方案中，隐空间 EBM 充当生成器模型的判别器，而 VAE 中的生成器模型与推断模型分别充当隐空间 EBM 的近似合成采样器与推断采样器。我们的实验表明，联合训练大幅提升了 VAE 的合成质量。它还使得学习一个能够检测样本外样例以进行异常检测的能量函数成为可能。
引用
@article{arxiv.2006.06059,
title = {Joint Training of Variational Auto-Encoder and Latent Energy-Based Model},
author = {Tian Han and Erik Nijkamp and Linqi Zhou and Bo Pang and Song-Chun Zhu and Ying Nian Wu},
journal= {arXiv preprint arXiv:2006.06059},
year = {2020}
}