2016 ICLR | Adversarial Autoencoders

最新推荐文章于 2022-07-10 16:48:13 发布

发呆的比目鱼

最新推荐文章于 2022-07-10 16:48:13 发布

阅读量258

点赞数

分类专栏： DrugAi 文章标签：深度学习人工智能机器学习

本文链接：https://blog.csdn.net/weixin_42486623/article/details/125386290

版权

DrugAi 专栏收录该内容

186 篇文章 193 订阅

订阅专栏

对抗自编码器(Adversarial Autoencoders, AAE)是将生成对抗网络(GAN)与自编码器(AE)结合的深度学习模型。该模型通过引入对抗训练，优化隐层的表示，使得编码后的数据分布接近先验分布。AAE具有无需重参数化训练、结构可扩展等优点，适用于多种任务，相比变分自编码器(VAE)表现出更好的性能。

摘要由CSDN通过智能技术生成

2016 ICLR | Adversarial Autoencoders

Paper: https://arxiv.org/abs/1511.05644

Adversarial Autoencoders

Adversarial Autoencoder（AAE）是将GAN与autoencoder相结合，仿照GAN的训练方式来训练自编码器网络。其中上半部分就是一个简单典型的AE结构，包含input layer，encoder layer, hidden layer, decoder layer , output layer。encoder把真实分布x映射成隐层的z, decoder 再将z解码还原成x。

AAE的特点就在于在隐层hidden layer中引入了对抗的思想来优化隐层的z，判别器discriminator 需要在隐层判断采样后的真实数据和生成器encoder所产生的假数据。因此discriminator的目的就是使得q(z | x) 不断向p(z)靠近, Matching the aggregated posterior q(z) to the prior p(z）.

其中有三种q(z | x)的选择，包括确定性函数，高斯后验和通用近似后验，其中使用确定性函数，它的q（z）只是和真实数据分布有关，其他两种的q（z）除了与真实分布有关，还与这两种方式中的某些随机性有关。