转自:https://zhuanlan.zhihu.com/p/25518643
上一期探讨了变分自编码器模型(VAEs),本期继续生成模型的专题,我们来看一下条件概率版本的变分自编码器(CVAEs)。(对应的,另一类生成模型GANs也有条件概率版本,称为CGANs。)
VAE回顾
VAE的目标是最大化对数似然函数
其中,
由于KL散度非负,对数似然函数的变分下界即为上式中的项。一般来说,是未知的,或者难以获得显式表达式的,因此,直接优化对数似然函数是不可行的,一般转而优化它的变分下界,即上式中的项。Diederik P.Kingma和Max Welling提出了两个算法SGVB和AEVB去估计。
CVAE
VAE用的训练集是数据。当生成数据时,由隐变量控制生成数据,如果我们现在有的数据不只是,我们还有关于数据的一些额外信息,最简单的,以手写数字为例,它的标签0-9,那么我们是否能够利用上这些额外的信息呢?
CVAE-1
一个简答的想法,考虑条件概率分布,套用原来的VAE模型,我们不难作出以下推导:
于是
其中,
类似于VAE,套用SGVB算法,再做一下reparameterization,取适当的分布和网络,我们就得到了一个CVAE模型。
我们姑且称这个版本的CVAE为CVAE-1模型,没错,CVAE模型不止一个......
CVAE-2
此外,与CGAN一样,我们一般假设额外信息与隐变量没有直接的关系,因此条件概率,于是变分下界可以写成
这在文献[3]中提到过。姑且称这个版本为CVAE-2模型。
CVAE-3
这就完了吗?文献[2]会告诉你,不要着急,我们也提出了一种CVAE。文中提出的方法不是产生数据,而是直接考虑预测问题:预测数据的标签。什么意思呢?它的似然函数是而不是。而这个推导也不难,事实上,把看成我们要生成的“数据”,看成是“标签”,在上面推导的结果里面直接交换的位置,就得到了
其中,
同样地,对做一下reparameterization,写成。再取适当的分布和网络,就可以了。值得一提的是,我们会在模型中设定适当的分布,当训练完了以后,可以把模型当成一个分类器,预测输入的标签:
上面的预测涉及到求期望,除非有显式结果,否则一般采用均值去近似期望:
姑且这个模型称为CVAE-3,它的图模型结构如下:
CVAE-4
非常抱歉地告诉你,CVAE模型还没完。文献[3]提出了CMMA模型(conditional multimodal autoencoder),实际上它也可以看成是条件版本的VAE。一般来说,我们考虑的CVAE或者CGAN的图模型是长这样的:
它的特点是一般是相互独立的。而CMMA考虑的图模型是长这样的:
这个模型的特点是隐变量是由额外信息确定的,。整个推导过程跟CVAE-1一模一样,应用以后,变分下界可以简化为:
姑且称CMMA模型为CVAE-4。CVAE-4模型将标签信息编码到隐变量中,作者指出,这样做的效果更好。
当然,针对具体的问题,还有一些不一样的CVAE设计,例如,文献[1]用CVAE做半监督学习,用到的CVAE又与上面介绍的有所不同。根据具体问题,有些模型还会对目标函数添加一些惩罚项。
VAE是个贝叶斯模型,它的条件概率版本根据取条件概率的形式的不同,自然会出现多种多样的模型。
代码
1. RuiShu/cvae: Conditional variational autoencoder implementation in Torch
2. kastnerkyle/SciPy2015: Talk for SciPy2015 "Deep Learning: Tips From The Road"
3. Tutorial on Variational Autoencoders
5. jramapuram/CVAE: Convolutional Variational Autoencoder
参考文献
1. Kingma D P, Mohamed S, Rezende D J, et al. Semi-supervised learning with deep generative models[C]//Advances in Neural Information Processing Systems. 2014: 3581-3589.
2. Sohn K, Lee H, Yan X. Learning structured output representation using deep conditional generative models[C]//Advances in Neural Information Processing Systems. 2015: 3483-3491.
3. Pandey G, Dukkipati A. Variational methods for conditional multimodal learning: Generating human faces from attributes. arXiv preprint[J]. arXiv, 2016, 1603.
4. Walker J, Doersch C, Gupta A, et al. An uncertain future: Forecasting from static images using variational autoencoders[C]//European Conference on Computer Vision. Springer International Publishing, 2016: 835-851.
5. Doersch C. Tutorial on variational autoencoders[J]. arXiv preprint arXiv:1606.05908, 2016.