ترجمه فارسی مقاله یادگیری فضای پنهان چندوجهی با EBM Prior و MCMC Inference

چکیده

Multimodal generative models are crucial for various applications. We propose an approach that combines an expressive energy-based model (EBM) prior with Markov Chain Monte Carlo (MCMC) inference in the latent space for multimodal generation. The EBM prior acts as an informative guide, while MCMC inference, specifically through short-run Langevin dynamics, brings the posterior distribution closer to its true form. This method not only provides an expressive prior to better capture the complexity of multimodality but also improves the learning of shared latent variables for more coherent generation across modalities. Our proposed method is supported by empirical experiments, underscoring the effectiveness of our EBM prior with MCMC inference in enhancing cross-modal and joint generative tasks in multimodal contexts.

چکیده به فارسی (ترجمه ماشینی)

مدل های تولیدی چند حالته برای برنامه های مختلف بسیار مهم هستند.ما رویکردی را پیشنهاد می کنیم که یک مدل مبتنی بر انرژی (EBM) را قبل از استنباط زنجیره مارکوف مونت کارلو (MCMC) در فضای نهفته برای تولید چندمودال ترکیب می کند.EBM قبلی به عنوان یک راهنمای آموزنده عمل می کند ، در حالی که استنباط MCMC ، به طور خاص از طریق دینامیک کوتاه لانژوین ، توزیع خلفی را به شکل واقعی خود نزدیک می کند.این روش نه تنها قبل از ضبط بهتر پیچیدگی چند مدلی ، بیانیه ای را ارائه می دهد بلکه یادگیری متغیرهای نهفته مشترک را برای تولید منسجم تر در بین روشها بهبود می بخشد.روش پیشنهادی ما با آزمایش های تجربی پشتیبانی می شود و تأکید بر اثربخشی EBM ما قبل از استنباط MCMC در تقویت کارهای مولد متقابل و مشترک در زمینه های چند مدلی.