论自编码器中潜空间的变换
机器学习
2019-06-04 v2 机器学习
摘要
注意到潜变量在推断与学习中的重要性，我们提出了一种基于潜变量同胚变换的自编码器新框架，该变换能在保持原空间拓扑性质的同时缩短变换空间中向量间的距离，并研究了潜空间变换对生成模型学习与含噪数据去噪的影响。实验结果表明，基于该框架的生成与去噪模型因该变换而优于常规变分自编码器与去噪自编码器；我们以训练集与处理后（即生成或去噪后）图像集合间的Hausdorff距离客观度量其差异，并结合处理后图像的视觉特征直接对比来评估生成与去噪模型性能。
引用
@article{arxiv.1901.08479,
title = {On the Transformation of Latent Space in Autoencoders},
author = {Jaehoon Cha and Kyeong Soo Kim and Sanghyuk Lee},
journal= {arXiv preprint arXiv:1901.08479},
year = {2019}
}