Radon Sobolev变分自编码器
机器学习
2021-04-16 v3 人工智能
计算机视觉与模式识别
神经与进化计算
摘要
生成模型（如生成对抗网络和变分自编码器）的质量在很大程度上取决于选择一个良好的概率距离。然而一些流行的度量如Wasserstein或Sliced Wasserstein距离、Jensen-Shannon散度、Kullback-Leibler散度，缺乏诸如（测地）凸性、快速计算等便利性质。为解决这些不足，我们引入了一类具有内置凸性的距离。我们研究了其与一些已知范式（sliced距离——Radon距离的代名词——、再生核Hilbert空间、能量距离）的关系。这些距离被证明具有快速实现，并被包含在一个称为Radon Sobolev变分自编码器（RS-VAE）的适配变分自编码器中，该编码器在标准生成数据集上产生高质量结果。关键词：变分自编码器；生成模型；Sobolev空间；Radon Sobolev变分自编码器；
引用
@article{arxiv.1911.13135,
title = {Radon Sobolev Variational Auto-Encoders},
author = {Gabriel Turinici},
journal= {arXiv preprint arXiv:1911.13135},
year = {2021}
}