.png){kind=icon}
返回
MD-VAE: Concepts embedded variational autoencoder with multiple decoders
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-026-07435-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
变分自编码器（VAE）通过优化模型的先验分布和后验分布构建潜在空间。现有方法在构建潜在空间时表现出有限的解释性，这阻碍了它们有效捕捉概念的解耦表示。为构建可解释的潜在空间，我们提出了多解码器概念嵌入变分自编码器（MD-VAE），通过多个解码器学习不同的潜在变量来增强潜在空间的解释性。首先，MD-VAE模型通过在代表该概念的数据上进行训练来学习先验概念，从而将先验嵌入潜在空间。随后，我们提出了一种利用多个解码器的变分推断框架。在该框架中，编码器将多个潜在变量映射到潜在空间，每个对应的潜在变量集由其专属解码器重构。在此基础上，结合多解码器的变分下界理论推导与变分方法，获得最优模型参数估计。最后，在MNIST、FashionMNIST、COIL20和USPS数据集上的实验表明，MD-VAE能在提高VAE预测性能的同时发现不同概念间的差异。
Keyword:
Variational autoencoder
Disentangled representation
Deep learning interpretability
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
查看更多机构
引用论文
分享收藏PT-VAE: Variational autoencoder with prior concept transformationPT-VAE：具有先验概念变换的变分自编码器.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏PIGPVAE: physics-informed gaussian process variational autoencodersPIGPVAE：物理信息高斯过程变分自编码器Applied Intelligence
OAAI
Applied IntelligenceIF3.5
OAAI分享收藏Evaluation of Rural Landscape Resources Based on Cloud Model and Probabilistic Linguistic Term SetLANDOAAI
LANDIF3.2
OAAI分享收藏Deep clustering analysis via variational autoencoder with Gamma mixture latent embeddingsNEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Zero-VAE-GAN: Generating Unseen Features for Generalized and Transductive Zero-Shot LearningZere-vae-gan: 为广义的和可转换的零射击学习生成看不见的特征
PREAI
分享收藏Variational Autoencoder With Optimizing Gaussian Mixture Model Priors优化高斯混合模型先验的变分自动编码器IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏 没有更多内容