均匀变换：变分自编码器中潜在表示的细化

变分自编码器（VAEs）中的不规则潜在分布导致后验塌陷、后验与先验之间错位以及采样不良问题。本文引入一种新型可适应的三阶段均匀变换（UT）模块——高斯核密度估计（G-KDE）聚类、非参数高斯混合（GM）建模和概率积分变换（PIT），以解决不规则潜在分布的问题。通过重新配置潜在空间中的不规则分布为均匀分布，我们的方法显著增强了潜在表示的解缠和可解释性，克服了传统 VAE 模型在捕捉复杂数据结构方面的局限。经验评估在 dSprites 和 MNIST 数据集上展示了我们提出的 UT 模块在提升解缠指标方面的有效性。我们的发现表明，这一方法为发展表征学习技术的前景方向，具有为未来研究拓展至更复杂数据集和下游任务的潜在意义。