Christopher P. Burgess,Irina Higgins,Arka Pal, Loic Matthey,Nick Watters,Guillaume Desjardins,Alexander Lerchner DeepMind 伦敦,英国 {cpburgess,irinah,arkap,lmatthey,nwatters,gdesjardins,lerchner} @ google.com
作者简介
ArXiV页面
2018年4月10日提交
18
24分钟阅读
我们给出了变分自动编码器中解缠表示出现的新直觉和理论评估。考虑到率失真理论的观点,我们展示了随着训练的进行,在优化β- VAE中修改后的ELBO界限时,出现与数据变化的基本生成因素相一致的表示的情况。从这些见解中,我们提出对β- VAE 培训体制的修改,逐步增加培训期间潜在代码的信息容量。这种修改有助于β- VAE 中解缠结表示的强大学习,而无需在重建准确性方面进行折衷。