在变分自编码器中学习层次化先验
机器学习
2019-10-08 v5 机器学习
摘要
我们提出在变分自编码器的框架下学习一个层次化先验，以避免由标准正态先验分布导致的过正则化。为了激励对数据具有信息量的潜在表示，我们通过将 Taming VAEs 框架扩展到两级层次模型，将该学习问题表述为一个约束优化问题。我们引入了一种基于图的插值方法，该方法表明所学潜在表示的拓扑对应于数据流形的拓扑——并给出了若干示例，其中潜在表示所期望的性质（如平滑性与简单的解释因子）由先验学习得到。
引用
@article{arxiv.1905.04982,
title = {Learning Hierarchical Priors in VAEs},
author = {Alexej Klushyn and Nutan Chen and Richard Kurle and Botond Cseke and Patrick van der Smagt},
journal= {arXiv preprint arXiv:1905.04982},
year = {2019}
}
备注
Published at NeurIPS 2019 (spotlight)