VAE 的对称均衡学习
机器学习
2024-03-13 v2
摘要
我们将变分自编码器(VAE)视为解码器-编码器对，其在数据空间的分布与潜空间的分布之间相互映射。VAE的标准学习方法是最大化证据下界(ELBO)。该方法不对称，其目标是学习潜变量模型，而仅将编码器用作辅助手段。此外，它要求先验潜分布具有闭式形式。这限制了其在更复杂场景中的适用性，例如通用半监督学习以及采用复杂生成模型作为先验。我们提出一种纳什均衡学习方法，该方法对编码器与解码器对称，并允许在数据分布与潜分布均仅可通过采样访问的情况下学习VAE。该方法的灵活性与简洁性使其可应用于广泛的学习场景与下游任务。
引用
@article{arxiv.2307.09883,
title = {Symmetric Equilibrium Learning of VAEs},
author = {Boris Flach and Dmitrij Schlesinger and Alexander Shekhovtsov},
journal= {arXiv preprint arXiv:2307.09883},
year = {2024}
}
备注
13 pages, 6 figures, accepted for AISTATS 2024