在变分自编码器中利用 Wasserstein 距离改进数据增强
机器学习
2022-08-17 v2
摘要
VAE（变分自编码器，variational auto-encoder）将数据压缩为潜在属性，并生成不同种类的新数据。基于 KL 散度的 VAE 已被视为一种有效的数据增强技术。本文提出使用 Wasserstein 距离作为潜在属性分布相似性的度量，并证明其相较于 KL 散度在温和条件下具有更优的理论下界（ELBO）。通过多个实验，我们表明新的损失函数具有更好的收敛性质，并生成能更好地辅助图像分类任务的人工图像。
引用
@article{arxiv.2109.14795,
title = {Towards Better Data Augmentation using Wasserstein Distance in Variational Auto-encoder},
author = {Zichuan Chen and Peng Liu},
journal= {arXiv preprint arXiv:2109.14795},
year = {2022}
}