按年被提到
20132015 · 1 次2026
机器学习与深度学习›贝叶斯方法与 AutoML·arXiv:1312.6114 · stat.ML

Auto-Encoding Variational Bayes

自编码变分贝叶斯
Diederik P Kingma, Max Welling · 2013

提出 VAE:重参数化使变分下界可用 SGD 优化

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2015-09-02 · 最近 2018-10-14
3不同的人
3活跃月份
3讨论串
20,041被引(OpenAlex)

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。

HN 为什么提它

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。

奠基之作难度 4 / 5约 60 分钟经得起时间
读之前最好知道
1变分推断(variational inference)
2贝叶斯推断(Bayesian inference)
3神经网络与随机梯度下降
4概率图模型

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
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
A Brief Introduction to Graphical Models and Bayesian Networks (1998)原评论 ↗
引用aqsalose · 2017-10

“appears to be a well-written introduction to stuff variational autoencoders [2] and ADAM [3].”

把它当作 variational autoencoder 的入门背景介绍
Variational Inference and Deep Learning: A New Synthesis [pdf]原评论 ↗
引用xcodevn · 2018-10

“[3] Auto-Encoding Variational Bayes”

把它列为贝叶斯推断方面的重要进展
Bayes’ Theorem in the 21st Century (2013) [pdf]原评论 ↗