变分自编码器相关 AI 资讯 · AITOP · AI热报

9月1日

12:08

12:08

官方账号arXiv cs.LG@James Crowley, Faez Ahmed, Anton van Beek

该研究提出了一种框架，通过将科学归纳偏置直接嵌入训练分布，学习可接受偏微分方程(PDEs)的连续潜在表示。实验结果表明，这种11维表示能准确重建广泛的代表性PDEs，并在方程家族内和家族间展现平滑的几何过渡。通过消融研究进一步证明，引入科学原理减少了方程形式的结构性误分类和参数估计误差。

论文偏微分方程变分自编码器归纳偏置

推荐理由：这篇论文展示了如何将科学原理嵌入AI训练过程，让模型能更准确地重建偏微分方程，对科学发现很有价值。

5月18日

10:38

10:38

官方账号arXiv cs.LG@Hazhir Aliahmadi, Irina Babayan, Greg van Anders

精选

变分自编码器（VAE）普遍存在后验坍塌问题，即潜在变量被忽略。本文提出熵自编码器（EAE），仅以重构损失为显式目标，通过自由能最小化的编码器集成隐式生成潜在变量的先验。EAE 能学习非高斯、多模态的潜在分布，从而缓解后验坍塌，生成多样且与数据一致的样本。在反应扩散过程、MNIST 和 CelebA 数据集上，EAE 分别捕捉了低维动力学、隐式类别区分和面部层次结构。该框架为生成模型提供了一种新的训练范式。

论文生成模型变分自编码器后验坍塌

推荐理由：VAE 的后验坍塌是生成模型老难题，EAE 用隐式先验巧妙绕开，做生成模型或表示学习的开发者值得一看。