M-EBM：面向能量基模型流形的理解
计算机视觉与模式识别
2023-03-09 v1
摘要
能量基模型（EBMs）在预测任务中展现出多种理想特性，如通用性、简洁性与组合性。然而，在高维数据集上训练 EBMs 仍不稳定且代价高昂。本文提出一种流形 EBM（M-EBM）以提升无条件 EBM 与联合能量基模型（JEM）的整体性能。尽管结构简单，M-EBM 在 CIFAR10、CIFAR100、CelebA-HQ 和 ImageNet 32x32 等一系列基准数据集上显著改善了无条件 EBMs 的训练稳定性与速度。一旦获得类别标签，融合标签的 M-EBM（M-JEM）在图像生成质量上进一步超越 M-EBM，FID 提升超过 40%，同时准确率也有所提高。代码见 https://github.com/sndnyang/mebm。
引用
@article{arxiv.2303.04343,
title = {M-EBM: Towards Understanding the Manifolds of Energy-Based Models},
author = {Xiulong Yang and Shihao Ji},
journal= {arXiv preprint arXiv:2303.04343},
year = {2023}
}
备注
Accepted to PAKDD 2023