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
信息瓶颈理论与用于解耦的VAEs
这部分内容有帮助吗？
- The Information Bottleneck Method, Naftali Tishby, Fernando C. Pereira, William Bialek, 1999 Advances in Neural Information Processing Systems 12 (NIPS 1999), Vol. 12 DOI: 10.48550/arXiv.physics/0004057 - 引入信息瓶颈原理的开创性论文，为信息压缩和相关信息提取提供了理论框架。
- Auto-Encoding Variational Bayes, Diederik P Kingma, Max Welling, 2013 International Conference on Learning Representations (ICLR 2014) DOI: 10.48550/arXiv.1312.6114 - 介绍了变分自编码器（VAE）框架，是生成模型和表示学习的基础，也是本节讨论方法的基础。
- β-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework, Irina Higgins, Loïc Matthey, Arka Pal, Christopher Burgess, Xavier Glorot, Matthew Botvinick, Shakir Mohamed, and Alexander Lerchner, 2017 International Conference on Learning Representations (ICLR 2017) - 提出了β-VAE模型，通过调整KL散度项来促进解缠结，直接与信息瓶颈原理相关。
- Deep Variational Information Bottleneck, Alexander A. Alemi, Ian Fischer, Joshua V. Dillon, Kevin Murphy, 2017 Proceedings of the International Conference on Learning Representations (ICLR) 2017 DOI: 10.48550/arXiv.1612.00410 - 将信息瓶颈原理与深度学习相结合，提出了一种与VAE并行的变分近似方法，并明确了神经网络的IB目标。