引用tabacof · 2015-09
“the variational auto-encoders are a graphical model with Gaussian latent variables”
用它解释 variational autoencoder 是带高斯隐变量的图模型
提出 VAE:重参数化使变分下界可用 SGD 优化
论文针对含连续隐变量、后验难以计算且数据量很大的有向概率模型,提出一种可扩展的随机变分推断与学习算法。核心贡献有二:一是对变分下界做重参数化,得到可用标准随机梯度方法直接优化的下界估计器;二是对每个数据点带连续隐变量的独立同分布数据,用识别模型去拟合难以处理的后验,使推断变得很高效。
评论者把它当作变分自编码器(VAE)的出处来引用,说明它是带高斯隐变量的图模型,也是贝叶斯推断方面的进展。
“the variational auto-encoders are a graphical model with Gaussian latent variables”
“appears to be a well-written introduction to stuff variational autoencoders [2] and ADAM [3].”
“[3] Auto-Encoding Variational Bayes”