面向连续隐空间与变分推断的可学习显式密度
机器学习
2017-10-09 v1 人工智能
机器学习
摘要
在本文中，我们研究了变分自编码器（VAE）的两个方面：隐变量的先验分布及其对应的后验分布。首先，我们将VAE的学习分解为逐层密度估计，并论证了拥有灵活的先验对样本生成和推断均有裨益。其次，我们分析了逆自回归流（inverse AF）族，并证明通过进一步改进，逆自回归流可作为任意复杂后验的通用逼近器。我们的分析得出了一种统一的方法来参数化VAE，而无需将自身限制于在隐实空间中使用因子高斯分布。
引用
@article{arxiv.1710.02248,
title = {Learnable Explicit Density for Continuous Latent Space and Variational Inference},
author = {Chin-Wei Huang and Ahmed Touati and Laurent Dinh and Michal Drozdzal and Mohammad Havaei and Laurent Charlin and Aaron Courville},
journal= {arXiv preprint arXiv:1710.02248},
year = {2017}
}
备注
2 figures, 5 pages, submitted to ICML Principled Approaches to Deep Learning workshop