基于高斯马尔可夫随机场的多组件变分自编码器
机器学习
2026-04-07 v3
摘要
具有复杂依赖关系的多组件数据集（如工业装配或多模态成像）挑战当前的生成模型技术。现有的多组件变分自编码器通常依赖简化的聚合策略，忽视关键细微差别，导致跨组件生成结构的连贯性受损。为显式解决这一问题，我们引入了高斯马尔可夫随机场多组件变分自编码器（GMRF MCVAE），一种新型生成框架，将高斯马尔可夫随机场嵌入先验和后验分布中。这种设计选择显式建模跨组件关系，实现更丰富的表征并忠实再现复杂相互作用。实验上，我们的GMRF MCVAE在专为评估复杂组件关系而构建的合成Copula数据集上实现了最先进的性能，在PolyMNIST基准数据集上表现出竞争力，在真实世界的BIKED数据集上显著提升了结构连贯性。我们的结果表明，GMRF MCVAE特别适合需要稳健且逼真的多组件连贯性建模的实际应用场景。
引用
@article{arxiv.2507.12165,
title = {Multi-Component VAE with Gaussian Markov Random Field},
author = {Fouad Oubari and Mohamed El-Baha and Raphael Meunier and Rodrigue Décatoire and Mathilde Mougeot},
journal= {arXiv preprint arXiv:2507.12165},
year = {2026}
}