通过松弛单射概率流的正则化自编码器
机器学习
2020-02-21 v1 机器学习
摘要
基于可逆流的生成模型是一种有效的样本生成学习方法，同时允许可处理的似然计算与推断。然而，可逆性要求将模型限制为具有与输入相同的潜在维度。这带来了显著的架构、内存与计算开销，使其比其他类生成模型（如变分自编码器（VAEs））更难扩展。我们提出了一种基于概率流的生成模型，去除了模型上的双射性要求，仅假设单射性。这也提供了关于正则化自编码器（RAEs）的另一种视角，我们的最终目标类似于带有特定正则化器的 RAEs，这些正则化器由概率流目标的下界导出。我们通过实验证明了所提模型的潜力，在样本质量上优于 VAEs 和 AEs。
引用
@article{arxiv.2002.08927,
title = {Regularized Autoencoders via Relaxed Injective Probability Flow},
author = {Abhishek Kumar and Ben Poole and Kevin Murphy},
journal= {arXiv preprint arXiv:2002.08927},
year = {2020}
}
备注
AISTATS 2020