Tree Variational Autoencoders

要約

我々は、潜在変数にわたる柔軟なツリーベースの事後分布を学習する新しい生成階層クラスタリング モデルである Tree variational Autoencoder (TreeVAE) を提案します。
TreeVAE は、サンプルをその固有の特性に従って階層的に分割し、データ内の隠れた構造を明らかにします。
アーキテクチャを適応させて、潜在変数間の依存関係をエンコードするための最適なツリーを発見します。
提案されたツリーベースの生成アーキテクチャは、軽量の条件付き推論を可能にし、特殊なリーフ デコーダを利用することで生成パフォーマンスを向上させます。
TreeVAE がデータ内の基礎となるクラスターを明らかにし、現実世界の画像データを含むさまざまなデータセット上の異なるグループ間の意味のある階層関係を発見することを示します。
我々は、TreeVAE が逐次対応物よりも競争力のある対数尤度下限を提供することを経験的に示します。
最後に、TreeVAE はその生成的な性質により、条件付きサンプリングを介して、検出されたクラスターから新しいサンプルを生成できます。

要約(オリジナル)

We propose Tree Variational Autoencoder (TreeVAE), a new generative hierarchical clustering model that learns a flexible tree-based posterior distribution over latent variables. TreeVAE hierarchically divides samples according to their intrinsic characteristics, shedding light on hidden structures in the data. It adapts its architecture to discover the optimal tree for encoding dependencies between latent variables. The proposed tree-based generative architecture enables lightweight conditional inference and improves generative performance by utilizing specialized leaf decoders. We show that TreeVAE uncovers underlying clusters in the data and finds meaningful hierarchical relations between the different groups on a variety of datasets, including real-world imaging data. We present empirically that TreeVAE provides a more competitive log-likelihood lower bound than the sequential counterparts. Finally, due to its generative nature, TreeVAE is able to generate new samples from the discovered clusters via conditional sampling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google