混合曲率变分自编码器
机器学习
2020-02-14 v2 机器学习
摘要
欧几里得几何因其强大与简洁，历来是机器学习应用典型的“主力”工具。然而，近期研究表明，具有常非零曲率的几何空间可改善多种数据类型与下游任务的表示及性能。因此，诸如变分自编码器（VAEs）之类的生成模型已成功推广至椭圆与双曲潜空间。尽管这些方法在具有特定偏置的数据上表现良好（例如树状数据适用于双曲 VAE），但目前尚无统一并利用所有三种模型的通用方法。我们提出了混合曲率变分自编码器，一种高效训练 VAE 的方法，其潜空间为常曲率黎曼流形的乘积，其中各分量曲率固定或可学习。该方法将欧几里得 VAE 推广至弯曲潜空间，并在所有潜空间分量曲率趋于 0 时退化为欧几里得 VAE。
引用
@article{arxiv.1911.08411,
title = {Mixed-curvature Variational Autoencoders},
author = {Ondrej Skopek and Octavian-Eugen Ganea and Gary Bécigneul},
journal= {arXiv preprint arXiv:1911.08411},
year = {2020}
}
备注
ICLR 2020 camera ready version