《变分自编码器（VAE）导论》93页书册，附PDF下载

【导读】变分自编码器（VAE）是重要的生成式模型。与生成式对抗网络（GAN）类似，VAE也可以被用来生成逼真的图像和文本信息，但VAE的思想却与GAN有很大的区别。本文介绍Arxiv上的一篇93页VAE导论，该导论包含大量的公式推导和图示。

近几年来，生成式对抗网络（GAN）吸引了大量科研人员和工程师的关注。然而除了GAN，变分自编码器（VAE）也是这几年较为火热的重要的生成式模型。与GAN的利用生成器和判别器进行对抗的思路不同，VAE的核心组件是自编码器和KL散度约束。

本文介绍Arxiv上的《An Introduction to Variational Autoencoders》（《变分自编码器导论》），其大致内容如下：

• 简介

• 动机

• 目的

• 概率模型和变分推断

• 基于神经网络的参数条件分布

• 有向图模型和神经网络

• 神经网络全观察模型的学习

• 深度隐变量模型的学习和推断

• 难解性

• 变分自编码器

• 编码器和近似后验

• 证据下界（ELBO）

• 基于随机梯度的ELBO优化

• 重新参数化技巧

• 分解的高斯后验

• 边缘似然的估计

• 边缘似然和ELBO作为KL散度

• 挑战

• 相关的之前的和当前的工作

• 高斯后验之外

• 对计算易处理性的要求

• 推断模型灵活性的提升

• 反自动回归变换

• 反自动回归流（IAF）

• 相关工作

• 更深的生成式模型

• 多隐变量的推断和学习

• 提升生成模型表达能力的替代方法

• 自回归模型

• 基于易处理的Jacobian行列式的可逆变换

• 后续工作

• 总结

请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“VAEITO” 就可以获取《生成式对抗网络综述》完整版论文下载链接~

附部分预览：

参考链接：

• https://arxiv.org/abs/1906.02691
  

-END-

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎登录www.zhuanzhi.ai，注册登录专知，获取更多AI知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成！550+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程