隐式模型中的语义插值
机器学习
2018-02-05 v3 机器学习
摘要
在隐式模型中，人们常在潜空间中对采样点进行插值。正如我们在本文中所展示的，需要注意使码向量上的分布假设与插值路径的几何相匹配。否则，关于中间点质量与语义的典型假设可能不成立。基于我们的分析，我们提议修改先验码分布，将显著更多的概率质量置于更靠近原点的地方。结果，线性插值路径不仅是最短路径，而且无论潜空间维数如何，都保证穿过高密度区域。在标准基准图像数据集上的实验显示出生成样本质量的清晰视觉改善，并展现出更有意义的插值路径。
引用
@article{arxiv.1710.11381,
title = {Semantic Interpolation in Implicit Models},
author = {Yannic Kilcher and Aurelien Lucchi and Thomas Hofmann},
journal= {arXiv preprint arXiv:1710.11381},
year = {2018}
}