用于解耦表示学习与潜在动力系统的 q-VAE

Taisuke Kobayashi

doi:10.1109/LRA.2020.3010206

用于解耦表示学习与潜在动力系统的 q-VAE

机器学习 2021-08-27 v3 机器人学机器学习

作者: Taisuke Kobayashi

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

提出一种由Tsallis统计导出的变分自编码器(VAE)，称为q-VAE。在所提方法中，采用标准VAE从采样数据中统计提取隐藏的潜在空间，该潜在空间有助于以可行的计算时间与代价使机器人可控。为提升潜在空间的实用性，本文聚焦于解耦表示学习，例如作为其基线的 $\beta$ -VAE。从Tsallis统计视角出发，推导了所提q-VAE的新下界以最大化采样数据的似然，其可视为具有变形Kullback-Leibler散度的自适应 $\beta$ -VAE。为验证所提q-VAE的益处，执行了从MNIST数据集中提取潜在空间的基准任务。结果表明，所提q-VAE在保持数据重建精度的同时改善了解耦表示。此外，它放宽了数据间的独立性条件，这通过学习非线性动力系统的潜在动力学得以证明。结合解耦表示，所提q-VAE从初始状态与动作序列实现了稳定且准确的长期状态预测。六足行走数据集可在IEEE Dataport获取，doi: https://dx.doi.org/10.21227/99af-jw71。

关键词

变分自编码器 Tsallis统计解耦表示潜在动力学 MNIST 机器人控制非线性动力系统

引用

@article{arxiv.2003.01852,
  title  = {q-VAE for Disentangled Representation Learning and Latent Dynamical Systems},
  author = {Taisuke Kobayashi},
  journal= {arXiv preprint arXiv:2003.01852},
  year   = {2021}
}

备注

8 pages, 8 figures

用于解耦表示学习与潜在动力系统的 q-VAE

摘要

关键词

引用

备注

相关论文