확률성과 정규화
가우스 VAE의 확률적 인코더 표본 추출을 결정적 디코더 입력에 잡음을 넣는 것으로 해석한다. 이 확률성을 명시적 및 암묵적 정규화로 대체하는 접근을 조사했다.
잠재 공간의 학습
임의로 고른 사전 분포를 따르도록 강제하지 않고 매끄럽고 의미 있는 잠재 공간을 학습하려는 방법이다. 정규화한 결정적 오토인코더로 표현과 재구성을 함께 학습한다.
학습 후 생성 분포
새 자료를 생성하기 위해 학습 뒤의 잠재 밀도 추정 단계를 도입했다. 이 단계는 기존 VAE에도 적용할 수 있으며, 이미지와 분자 같은 구조 자료에서 생성 표본의 품질을 평가했다.
관련 문서
변분 오토인코더 / 바서슈타인 오토인코더 / 적대적 오토인코더 / VampPrior / 잠재 변수 / 확률 밀도 함수