Преамбула В этой статье будут рассмотрены основы вариационных автоэнкодеров (VAE) и их использование для изучения распутанных представлений многомерных данных со ссылкой на две статьи: Обучение байесовскому представлению с ограничениями Oracle Karaletsos et. др., и Выделение источников распутывания в вариационных автоэнкодерах от Chen et. al. Также кратко будут упомянуты некоторые открытые области исследований в области VAE. Введение (I): вариационный вывод и автоэнкодеры..

В этом блоге мы расскажем о вариационном выводе, а после этого перейдем к вариационным автоэнкодерам (VAE). Этот блог содержит все детали VAE, то есть от базового определения до сравнения с автокодировщиками, математического вывода функции потерь, используемой в VAE, и реализации VAE с использованием Pytorch. Позже мы сравним VAE с другими генеративными моделями, такими как Generative Adversarial Networks (GAN). Вступление Во многих интересных моделях со скрытыми переменными..

Почему традиционное вероятностное моделирование сосредоточено на выявлении линейных отношений между случайными величинами. В основополагающих работах Джудеи Перл [@ Pearl88] и Стивена Лауритцена [@ lauritzen1992propagation] о вероятностных графических моделях (PGM) вероятностное моделирование рассматривается как незаменимый инструмент для решения многих проблем, связанных с любой формой неопределенности в самых разных областях, таких как искусственный интеллект [ @..

Рассмотрим некоторый набор данных X = {x (i)} N i = 1, состоящий из N i.i.d. выборки некоторой непрерывной или дискретной переменной x. Мы предполагаем, что данные генерируются некоторым случайным процессом с участием ненаблюдаемой непрерывной случайной величины z. Процесс состоит из двух этапов: (1) значение z (i) генерируется из некоторого предварительного распределения p (z); (2) значение x (i) генерируется из некоторого условного распределения p (x | z). Для данных N точек данных..