論文の概要: Empirical Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2610.06545v1
• Date: Mon, 05 Oct 2026 15:39:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:38:43.604206
• Title: Empirical Variational Autoencoder
• Title（参考訳）: 経験的変分オートエンコーダ
• Abstract要約: 本稿では連続値列の一般的な生成フレームワークである経験的変分オートエンコーダを提案する。 EVAは、トレーニングデータから経験的に自己回帰的な潜伏先行を学習する。 画像と音声の合成実験により,EVAは自己回帰拡散ベースラインと競合する生成品質が得られることが示された。
• 参考スコア（独自算出の注目度）: 7.9530565337531165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Empirical Variational Autoencoder, a general generative framework for continuous-valued (i.e., non-vector-quantized) sequences. EVA is based on the evidence lower bound of the Variational Autoencoder (VAE) but learns autoregressive latent priors empirically from training data, which can be implemented only by an additional single linear layer on top of VAEs. By replacing the conventional standard-Gaussian constraint with the self-predicted priors, EVA significantly alleviates the latent distribution gap between prior and posterior which is typically observed in conventional VAEs, and leads to high-fidelity ancestral sampling for sequential data generation. Extensive experiments on image and sound synthesis demonstrate that EVA achieves competitive generation quality with autoregressive diffusion baselines despite its much faster inference time.
• Abstract（参考訳）: 連続評価(非ベクトル量子化)シーケンスの一般的な生成フレームワークである経験的変分オートコーダを提案する。 EVAは、変分オートエンコーダ(VAE)の低いバウンダリに基づいているが、トレーニングデータから経験的に自己回帰的な潜伏先行を学習する。 従来の標準ガウスの制約を自己予測前の制約に置き換えることで、EVAは従来のVAEでよく見られる前と後の間の遅延分布ギャップを著しく軽減し、シーケンシャルなデータ生成のための高忠実な祖先サンプリングにつながる。 画像と音声の合成に関する大規模な実験により、EVAはより高速な推論時間にもかかわらず、自己回帰拡散ベースラインで競合生成品質を達成することが示された。

関連論文リスト

• eXact-Prior Variational Autoencoder (X-VAE): Learning Data-Adaptive Gaussian Mixture Priors for Latent Distributions [24.959038626924922]
  変分オートエンコーダ (VAEs) は一般に、潜在空間上の標準等方的ガウスを仮定する。 eXact-Prior Variational Autoencoder (X-VAE) は、事前訓練されたオートエンコーダ(AE)の潜在表現から派生したガウス的先行表現に置き換えるフレームワークである。 実験結果から,X-VAEは再現性を維持しつつ,経験的データ分布に整合した潜在表現を生成できることが示された。
  論文  参考訳（メタデータ） (2026-06-30T23:05:06Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Beyond Vanilla Variational Autoencoders: Detecting Posterior Collapse in Conditional and Hierarchical Variational Autoencoders [25.61363481391964]
  変分オートエンコーダ(VAE)における後部崩壊現象は、学習された潜伏変数の品質を妨げうる。 本研究では, 後部崩壊の理論的理解を, 条件付きVAEと階層型VAEの2つの重要な, 広く普及しているがあまり研究されていないクラスに進める。
  論文  参考訳（メタデータ） (2023-06-08T08:22:27Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• InteL-VAEs: Adding Inductive Biases to Variational Auto-Encoders via Intermediary Latents [60.785317191131284]
  本稿では,潜伏変数の中間集合を用いて,制御可能なバイアスでVAEを学習するための簡易かつ効果的な手法を提案する。 特に、学習した表現に対して、スパーシリティやクラスタリングといった望ましいプロパティを課すことができます。 これにより、InteL-VAEはより優れた生成モデルと表現の両方を学ぶことができる。
  論文  参考訳（メタデータ） (2021-06-25T16:34:05Z)
• Adversarial and Contrastive Variational Autoencoder for Sequential Recommendation [25.37244686572865]
  本稿では、逐次レコメンデーションのためのAdversarial and Contrastive Variational Autoencoder (ACVAE) と呼ばれる新しい手法を提案する。 まず,本モデルが高品質な潜在変数を生成することを可能にするadversarial variational bayesフレームワークの下で,シーケンス生成のためのadversarial trainingを導入する。 さらに、シーケンスをエンコードする場合、シーケンス内のグローバルおよびローカルの関係をキャプチャするために、繰り返しおよび畳み込み構造を適用します。
  論文  参考訳（メタデータ） (2021-03-19T09:01:14Z)
• A Contrastive Learning Approach for Training Variational Autoencoder Priors [137.62674958536712]
  変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。 VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。 本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
  論文  参考訳（メタデータ） (2020-10-06T17:59:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。