August 14, 2024
Xử Lý Phân Phối Lớp Tiềm Ẩn Trong VAE # Trong mô hình Variational Autoencoder (VAE), việc so sánh phân phối hậu nghiệm \( q(z|x) \) với phân phối tiên nghiệm \( p(z) \) là một trong những bước quan trọng để đảm bảo rằng các biến tiềm ẩn \( z \) được học có sự tương đồng với phân phối tiên nghiệm. Tuy nhiên, trong nhiều trường hợp, đặc biệt là khi không biết trước chính xác phân phối của lớp tiềm ẩn \( z \), chúng ta cần sử dụng các kỹ thuật khác để xử lý vấn đề này.
...
August 12, 2024
Identifiable VAE (iVAE) [1] là một biến thể của mô hình Variational Autoencoder (VAE) với mục tiêu chính là làm cho mô hình này trở nên “có thể nhận dạng được” (identifiable). Điều này có nghĩa là iVAE có khả năng đảm bảo rằng các biến tiềm ẩn \(z\) mà nó học được là duy nhất (up to permutation), không bị ảnh hưởng bởi các biến đổi không mong muốn như sự hoán vị (permutation) hoặc biến đổi phi tuyến (nonlinear transformation).
...
August 11, 2024
Autoencoder (AE) và Variational Autoencoder (VAE) là hai loại mô hình học sâu được sử dụng rộng rãi trong các nhiệm vụ như giảm chiều dữ liệu, phát hiện bất thường, và tạo sinh dữ liệu mới. Mặc dù cả hai đều được thiết kế để học một biểu diễn tiềm ẩn (latent representation) của dữ liệu đầu vào, nhưng chúng khác nhau ở một số điểm quan trọng.
1. Autoencoder (AE) # Cấu trúc:
...