第190章 从变分自编码到扩散模型（1/2）

天才一秒记住本站地址：[笔趣阁]
https://www.ibqg.vip 最快更新！无广告！

“你们有没有看过变分自编码器(VAE)的那篇论文？”

孟繁岐和阿里克斯，伊利亚三人一边做着餐前准备，一边闲聊道。

就在孟繁岐去年提出生成对抗模型GAN之后，同年年底有一个类似的生成式模型被提出，那就是变分自编码器。

VAE和孟繁岐提出的GAN都是深度生成式模型，两者均被视为无监督式学习领域最具研究价值的方法。

“当然看过，它的思路跟你的GAN挺像的，都是从隐藏变量去生成目标数据。”

变分自编码器的反响和热度比孟繁岐的GAN低了一些，一是因为先入为主，孟繁岐的GAN珠玉在前。

另一方面也是因为GAN两个网络对抗的思路和结构太过新奇，非常独特有创意，而且即便是领域外的人也容易理解。

相比之下，变分自编码器则显得更加朴实无华一点。

“其实原理都差不多，你们都假设隐藏变量服从某种概率分布，目的就是为了训练一个模型，可以将原本的概率分部映射到训练集的概率分布，是一种对这种分布的变换。”

伊利亚简单总结道。

伊利亚正是年轻力壮的时候，有天赋又努力。

完全是论文机器，看得多写得多，对领域内的新东西门儿清。

阿里克斯则已经稍微有点划水的兆头了，看论文不求甚解，主要读一个大概的意思和想法。

“呦，年轻人们真有活力啊，都这么努力好学？饭前这点时间也要头脑风暴一下？”

辛顿手里端着一杯果汁，溜达过来，发现自己的两个学生竟然在这个庆功宴上还忙着讨论学术，很是欣慰地调侃道。

“我们在谈论生成式模型的问题，孟似乎有一些新想法。”

“什么内容，说来听听。”

“VAE和GAN都是希望生成的数据分布和目标分布十分接近，这种接近听上去很棒，可实际上难以量化。”

孟繁岐解释道：“两个输出，比如图像，他们的分布到底是不是相等或者接近，缺乏足够好的量化标准与价值判断。”

“GAN其实就是大力出奇迹的意思了，我也不管到底怎么评判，干脆整个就把这种隐含的衡量方式给学过来，这就导致对计算量和数据的要求非常大，并且也不是那么容易控制。”

“而变分自编码器的方式其实优雅不少，很值得我借鉴。”