王小新 编译自 Arxiv
量子位 出品 | 公众号 QbitAI

最近，DeepMind公司的Mihaela Rosca、Balaji Lakshminarayanan和David Warde-Farley等人写了一篇题为“一种基于变分方法的自编码生成对抗网络（Variational Approaches for Auto-Encoding Generative Adversarial Networks）”的论文。

这篇文章利用变分推理，提出了一种将自动编码器和生成对抗网络融合起来的方法。

摘要

自动编码生成对抗网络结合了标准形式的GAN算法，通过自动编码器给出的重建损失（construction loss）来区分原始数据和模型的生成数据。这种模型的目的是确保基于所有可用数据进行训练，防止学习得到的生成模型出现模式崩溃问题。

在本文中，我们提出了一种规则，通过利用生成模型的层次结构，将自动编码器结合到生成对抗网络中。由基本原理可表明，变分推理可作为网络学习的基本方法，但是要将随机可能性替换为合成似然性，且将未知后验分布替换为隐含分布。本文使用了鉴别器来学习网络中的合成似然性和隐含后验分布。

于是，我们结合这两种方法中的最优点，开发出一种结合变分自动编码器和生成对抗网络的融合方法。我们设置了一个共同的优化目标，讨论了引导学习的约束条件，与大量现有研究相联系，并使用了一系列实验来系统地定量评估本文方法的效果。

更多实际性能及结果讨论请看论文：https://arxiv.org/abs/1706.04987

P.S.

他们给自己的方法起名叫“α-GAN”，理由是：GAN太多，拉丁字母前缀不够用了，只好用希腊字母了……

【完】

一则通知

量子位正在组建自动驾驶技术群，面向研究自动驾驶相关领域的在校学生或一线工程师。欢迎大家加量子位微信(qbitbot)，备注“自动驾驶”申请加入哈~

招聘

量子位正在招募编辑记者、运营、产品等岗位，工作地点在北京中关村。相关细节，请在公众号对话界面，回复：“招聘”。

△ 扫码强行关注『量子位』

追踪人工智能领域最劲内容