在编码网络潜空间中表示闭合变换路径
机器学习
2019-12-06 v1 机器学习
摘要
深度生成网络已被广泛用于学习从低维潜空间到高维数据空间的映射。在许多情况下，数据变换由该潜空间中的线性路径定义。然而，潜空间的欧几里得结构可能与数据中潜在的潜结构很不匹配。本工作中，我们将生成流形模型引入自编码器的潜空间，以从数据中学习低维流形结构并调整潜空间以适应此结构。我们特别关注数据具有从起点延伸并回到近乎同一点处的闭合变换路径的应用。通过对具有自然闭合变换路径的数据进行实验，我们表明该模型能够学习复杂系统的潜动力学、生成变换路径，并对属于同一变换路径的样本进行分类。
引用
@article{arxiv.1912.02644,
title = {Representing Closed Transformation Paths in Encoded Network Latent Space},
author = {Marissa Connor and Christopher Rozell},
journal= {arXiv preprint arXiv:1912.02644},
year = {2019}
}
备注
Accepted at AAAI 2020