VAE เป็นเฟรมเวิร์กที่ถูกเสนอให้เป็นวิธีที่ปรับขนาดได้เพื่อทำการเปลี่ยนแปลง EM (หรือการอนุมานโดยทั่วไป) บนชุดข้อมูลขนาดใหญ่ แม้ว่ามันจะมีโครงสร้างแบบ AE แต่มันก็มีจุดประสงค์ที่ใหญ่กว่ามาก
ต้องบอกว่าแน่นอนหนึ่งสามารถใช้ VAE เพื่อเรียนรู้การเป็นตัวแทนแฝง เป็นที่รู้กันว่าจะเป็นตัวแทน VAEs กับ disentangled ปัจจัย [1] นี้เกิดขึ้นเนื่องจาก isotropic Gaussian Priors บนตัวแปรแฝง การจำลองแบบเป็น Gaussians อนุญาตให้แต่ละมิติในการเป็นตัวแทนผลักตัวเองให้ไกลที่สุดเท่าที่จะทำได้จากปัจจัยอื่น ๆ นอกจากนี้ [1] ยังเพิ่มสัมประสิทธิ์การทำให้เป็นมาตรฐานที่ควบคุมอิทธิพลของค่าก่อนหน้า
ในขณะที่ isotropic Gaussians ก็เพียงพอแล้วสำหรับกรณีส่วนใหญ่ แต่สำหรับกรณีที่เฉพาะเจาะจงเราอาจต้องการสร้างแบบจำลองของนักบวชที่แตกต่างกัน ตัวอย่างเช่นในกรณีของลำดับหนึ่งอาจต้องการกำหนด Priors เป็นแบบจำลองตามลำดับ [2]
กลับมาที่คำถามดังที่เราเห็นก่อนหน้านี้ให้การควบคุมที่สำคัญเกี่ยวกับวิธีที่เราต้องการจำลองการกระจายแฝง การควบคุมชนิดนี้ไม่มีอยู่ในกรอบการทำงานปกติของ AE นี่คือพลังของแบบจำลอง Bayesian เอง VAEs นั้นทำให้สามารถใช้งานได้จริงและเป็นไปได้สำหรับชุดข้อมูลขนาดใหญ่ ดังนั้นเพื่อสรุปหากคุณต้องการควบคุมการแสดงที่แฝงไว้อย่างแม่นยำและสิ่งที่คุณต้องการให้พวกเขาเป็นตัวแทนให้เลือก VAE บางครั้งการสร้างแบบจำลองที่แม่นยำสามารถจับภาพการเป็นตัวแทนที่ดีกว่าใน [2] อย่างไรก็ตามหาก AE พอเพียงสำหรับงานที่คุณทำเพียงแค่ไปกับ AE มันง่ายและไม่ซับซ้อนพอ ท้ายที่สุดด้วย AE เราเพียงแค่ทำ PCA ที่ไม่ใช่เชิงเส้น
[1] การเรียนรู้ด้วยภาพในช่วงต้นกับการเรียนรู้ลึกแบบไม่ต้องลงทะเบียน 2016
Irina Higgins, Loic Matthey, Xavier Glorot, Arka Pal, Benigno Uria, Charles Blundell, Shakir Mohamed, Alexander Lerchner
https://arxiv.org/abs/1606.05579
[2] โมเดลตัวแปรแฝงแฝงสำหรับข้อมูลตามลำดับ, 2015
Junyoung Chung, Kyle Kastner, Laurent Dinh, Kratarth Goel, แอรอนคูวิลล์, โยชูวาเบงกิโอ
https://arxiv.org/abs/1506.02216