具有潜空间一致性的 Wasserstein 自编码器的统计再生保证
机器学习
2021-10-11 v1 机器学习
摘要
变分自编码器（Variational Autoencoders, VAE）的提出被誉为表示学习模型史上的突破。VAE不仅自身拥有诸多赞誉，还成功引发了一系列以其直接后继形式出现的发明。Wasserstein自编码器（Wasserstein Autoencoder, WAE）作为该领域的继承者，承载了所有的优点并增强了生成承诺，甚至可与生成对抗网络（generative adversarial networks, GANs）相媲美。毋庸置疑，近年来对GANs的统计分析出现了显著复兴。然而，尽管自编码器具有广泛的适用性和显著的实证性能，针对它们的类似研究在很大程度上仍然缺失。为弥补这一差距，本文研究了WAE的统计性质。首先，我们利用Vapnik Chervonenkis（VC）理论，提供了WAE在潜空间中达到目标分布的统计保证。主要结果进而借助Wasserstein度量下测度最优传输（Optimal Transport）的潜力，确保了输入分布的再生。该研究所暗示了WAE在经历以潜律形式出现的压缩后能够重构的分布类。
引用
@article{arxiv.2110.03995,
title = {Statistical Regeneration Guarantees of the Wasserstein Autoencoder with Latent Space Consistency},
author = {Anish Chakrabarty and Swagatam Das},
journal= {arXiv preprint arXiv:2110.03995},
year = {2021}
}
备注
Accepted for Spotlight Presentation at NeurIPS 2021