変分から決定論的オートエンコーダへ【JST・京大機械翻訳】

Ghosh Partha; Sajjadi Mehdi S. M.; Vergari Antonio; Black Michael; Scholkopf Bernhard

プレプリント

J-GLOBAL ID：202202217407240387 整理番号：22P0059007

変分から決定論的オートエンコーダへ【JST・京大機械翻訳】

From Variational to Deterministic Autoencoders

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2019年03月29日プレプリントサーバーでの情報更新日： 2020年05月29日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

変分オートエンコーダ(VAEs)は,深い生成モデルのための理論的に逆で一般的なフレームワークを提供する。しかし,データからのVAEの学習は,まだ理論的疑問とかなりの実用的課題を提起している。本研究では,より簡単で,訓練が容易であり,決定論的ではあるが,VAEsの利点の多くを持つ生成モデリングの代替フレームワークを提案した。Gauss VAEにおける確率的符号器のサンプリングは,決定論的復号器の入力に雑音を単純に注入できると解釈できる。著者らは,この種類の確率的性を他の明示的および陰的正則化方式と置換する方法が,任意に選んだ事前の一致を強制することなく,等しく滑らかで意味のある潜在空間に導くことができるかを調べた。新しいデータをサンプリングするための生成メカニズムを検索するため,既存のVAEsにも容易に適用可能な事後密度推定段階を導入し,それらのサンプル品質を改善した。厳密な経験的研究において,提案した正則化決定論的自動エンコーダは,画像に適用した場合,あるいは,画像に適用した場合よりも,また,より強力な代替案,すなわち,分子のような構造化データ,すなわち,Ul{https://github.com/ParthaEth/Regularized_autoencoders RAE }で利用できるような構造化データに対して,より強力な代替案を生成できる,という事を示していた。”著者らは,”,また,”より強力な代替案”を,また,より強力な代替法として生成できる,という事を示していた。”著者らは,この提案した正則化決定性自己エンコーダは,画像に適用した場合,また,より強力な代替案である,という事を示していた。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般

前のページに戻る