趋近智
变分自编码器：高级技术与表征学习
章节 1: 概率生成模型与表示学习的基本原理
概率模型：高级视角
隐变量模型：理论与公式化
表示学习的基本原理
评估表示质量：衡量指标与方法
重温自编码器：生成任务的局限性
表征学习中的信息论
章节 2: 变分自编码器：数学原理
VAE推导：变分推断
证据下界 (ELBO) 公式
重参数化技巧
VAE中的KL散度：作用与解释
VAE 编码器和解码器网络设计
常见 VAE 训练问题
VAE目标函数分析
VAE 实现与诊断：动手操作
章节 3: VAE 进阶架构与改进
用于可控生成的条件变分自编码器 (CVAE)
用于复杂数据结构的层次化 VAE
向量量化变分自编码器 (VQ-VAE)
变分自编码器中的自回归解码器
灵活先验和后验的归一化流
用于解耦表示的Beta-VAE
FactorVAE 和总相关性 VAE (TCVAE)
动手实践：实现高级VAE架构
章节 4: VAE中的推断方法与摊销
摊销变分推断：优点与局限
平均场近似的局限性
VAE 中的结构化变分推断
重要性加权自编码器 (IWAE)
辅助变量与半分摊变分推断
使用隐式模型的变分推断
对抗变分贝叶斯 (AVB)
实践：实现IWAE和进阶推断
章节 5: 解耦表示学习与变分自编码器 (VAEs)
定义解耦：公式化与难题
解耦量化指标
KL正则化对解耦的影响
信息瓶颈理论与用于解耦的VAEs
解耦的对抗训练
解耦的群论方法
解耦表示学习中的识别问题与局限
动手实践：训练与评估解耦变分自编码器
章节 6: VAEs在处理序列和结构化数据中的应用
循环变分自编码器 (RVAE) 用于时间序列建模
序列VAE的注意力机制
图VAEs用于结构化数据表示学习
自然语言处理中的 VAE
视频与动态系统中的时序变分自编码器
状态空间模型与变分自编码器的关联
实践：为序列数据实现VAE
章节 7: VAE的进阶议题与应用拓展
使用变分自编码器（VAE）的半监督学习
VAEs在异常和分布外数据检测中的应用
生成对抗网络 (GANs) 对比 变分自编码器 (VAEs)：一项比较分析
混合模型：VAE-GAN与对抗式自编码器 (AAE)
VAE在基于模型的强化学习中的应用
去噪VAE与输入扰动鲁棒性
变分自编码器（VAE）的优化进阶策略
动手实践：实施 VAE-GAN 混合架构
定义解耦：公式化与难题
这部分内容有帮助吗？
- beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework, Irina Higgins, Loic Matthey, Arka Pal, Christopher Burgess, Xavier Glorot, Matthew Botvinick, Shakir Mohamed, and Alexander Lerchner, 2017 International Conference on Learning Representations (ICLR) Workshop Track DOI: 10.48550/arXiv.1706.00424 - 介绍了 β-VAE，这是一项开创性工作，通过引入正则化参数修改了VAE目标函数，从而鼓励解缠结，作为一种归纳偏置。
- Isolating Sources of Disentanglement in VAEs, Ricky T. Q. Chen, Xuechen Li, Roger B Grosse, David K. Duvenaud, 2018 Advances in Neural Information Processing Systems (NeurIPS), Vol. 31 (NeurIPS Foundation) DOI: 10.5555/3295222.3295328 - 这项工作从经验和理论两方面分析了促成VAE中解缠结的因素，并提出了一个量化解缠结程度的指标。
- Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations, Francesco Locatello, Stefan Bauer, Mario Lucic, Gunnar Raetsch, Sylvain Gelly, Bernhard Schölkopf, Olivier Bachem, 2019 Proceedings of the 36th International Conference on Machine Learning, Vol. 97 (PMLR) DOI: 10.5555/3306127.3306192 - 本文严格研究了在缺乏归纳偏置的情况下无监督解缠结的不可能性，这是本节讨论的一个核心理论发现。