Вариационный автоэнкодер
- Вариационные автоэнкодеры (VAE) используются для обучения репрезентации данных с помощью вероятностного моделирования.
- VAE максимизируют вероятность получения данных по выбранному параметризованному распределению вероятностей.
- Маргинализация используется для нахождения совместного распределения в рамках VAE.
- Амортизированный вывод позволяет ускорить вычисление и сделать его выполнимым.
- Вариационные автоэнкодеры оптимизируют параметры генерирующей модели для уменьшения ошибки восстановления между входными и выходными данными.
- Потери при восстановлении часто используются, такие как среднеквадратичная ошибка и перекрестная энтропия.
- Дивергенция Кульбака-Лейблера является хорошим выбором для выжимания qϕ(z|x) под pθ(z|x).
- Вариации VAE включают β-VAE для автоматического обнаружения и интерпретации факторизованных скрытых представлений и CVAE для обеспечения детерминированного ограниченного представления изученных данных.
Полный текст статьи: