单纯形自编码器

由于隐私问题，合成数据生成日益重要。尽管基于自编码器的方法已广泛用于此目的，但从其潜空间采样可能具有挑战性。混合模型目前是从这些空间采样的最高效方式。在本工作中，我们提出一种新方法，将自编码器的潜空间建模为单纯形，从而允许一种用于确定混合模型中分量数的新启发式方法。该启发式独立于类别数并产生可比结果。我们还引入一种基于概率质量函数的采样方法，利用潜空间的紧致性。我们在合成数据集上评估我们的方法，并展示其在三个基准数据集MNIST、CIFAR-10和Celeba上的性能。我们的方法在MNIST、CIFAR-10和Celeba数据集上分别取得图像生成FID为4.29、13.55和11.90。这些数据集上迄今最佳的AE FID结果分别为6.3、85.3和35.6，因此我们大幅改进了这些数值（FID越低越好）。然而，AE并非相关数据集上性能最佳的算法，所有FID纪录目前均由GAN保持。尽管我们在CIFAR和Celeba上未优于GAN，但我们确实在MNIST数据集上相对于当前GAN保持的纪录挤出了不可忽略的改进（0.21）。