Learning Hierarchical Variational Autoencoders With Mutual Information Maximization for Autoregressive Sequence Modeling

Variational autoencoders (VAEs) are a class of effective deep generative models, with the objective to approximate the true, but unknown data distribution. VAEs make use of latent variables to capture high-level semantics so as to reconstruct the data well with the help of informative latent variabl...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on pattern analysis and machine intelligence Ročník 45; číslo 2; s. 1949 - 1962
Hlavní autoři:	Qian, Dong, Cheung, William K.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	United States IEEE 01.02.2023 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Autoregressive models Computational modeling Data models Decoding hierarchical variational autoencoders (HVAEs) Modelling Mutual information mutual information neural estimation neural autoregressive sequence modeling Neural networks Predictive models Semantics Sequences Task analysis Training Variational autoencoders (VAEs)
ISSN:	0162-8828, 1939-3539, 2160-9292, 1939-3539
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!