通过解释性避让变分自编码器修复视觉推断中的不确定性表示
机器学习
2026-03-31 v3 人工智能
摘要
在不确定性下进行最优计算需要充分的概率表示来反映信念。深度生成模型，特别是变分自编码器(VAEs)，有望满足这一需求，通过构建潜在表示来学习将不确定性与推断关联起来，同时避免其特征性的难以置入的计算。然而，我们指出，恰恰是不确定性表示在一系列相关计算机视觉条件下存在不一致性：与对比度相关的计算、图像损坏、离分布检测。drawing inspiration from classical computer vision, we present a principled extension to the standard VAE by introducing a simple yet powerful inductive bias through a global scaling latent variable, which we call the Explaining-Away VAE (EA-VAE)。通过将 EA-VAEs 应用于一系列计算机视觉领域和各种数据集，从标准 NIST 数据集到丰富的医学和自然图像集合，我们显示 EA-VAE 恢复了对不确定性的规范性要求。此外，我们提供了引入缩放潜在变量对与对比度相关和离分布相关不确定性调制的贡献的分析性解释，表明这种温和的归纳偏差在广泛的问题集合中具有巨大的益处。此外，我们发现 EA-VAEs 招募了双极化归一化，这一在生物神经网络中广泛存在的模式，用于修复推断中的缺陷。我们的结果表明，一项易于实现、仍然强大的 VAE 架构更新可以修复概率计算中推断缺陷的不确定性。
引用
@article{arxiv.2404.15390,
title = {Remedying uncertainty representations in visual inference through Explaining-Away Variational Autoencoders},
author = {Josefina Catoni and Domonkos Martos and Ferenc Csikor and Enzo Ferrante and Diego H. Milone and Balázs Meszéna and Gergő Orbán and Rodrigo Echeveste},
journal= {arXiv preprint arXiv:2404.15390},
year = {2026}
}