趋近智
前几章主要关注的是将样本视为独立数据的VAEs,例如单个图像。然而,许多数据集都具有固有结构。例如,文本数据由有序的词语序列构成,时间序列数据表现出时间上的关联性,而社交网络或分子则最适合以图的形式表示。本章将对VAE框架进行扩展,以有效建模此类序列化和结构化信息。
您将学习如何:
学完本章后,您将能够将VAEs应用于更广范围的复杂数据形式,捕捉其中包含的丰富关联性。
6.1 循环变分自编码器 (RVAE) 用于时间序列建模
6.2 序列VAE的注意力机制
6.3 图VAEs用于结构化数据表示学习
6.4 自然语言处理中的 VAE
6.5 视频与动态系统中的时序变分自编码器
6.6 状态空间模型与变分自编码器的关联
6.7 实践:为序列数据实现VAE